論文の概要: A Dependable Hybrid Machine Learning Model for Network Intrusion
Detection
- arxiv url: http://arxiv.org/abs/2212.04546v1
- Date: Thu, 8 Dec 2022 20:19:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 16:06:04.554739
- Title: A Dependable Hybrid Machine Learning Model for Network Intrusion
Detection
- Title（参考訳）: ネットワーク侵入検出のための依存型ハイブリッド機械学習モデル
- Authors: Md. Alamin Talukder, Khondokar Fida Hasan, Md. Manowarul Islam, Md
Ashraf Uddin, Arnisha Akhter, Mohammand Abu Yousuf, Fares Alharbi, Mohammad
Ali Moni
- Abstract要約: 本稿では,機械学習とディープラーニングを組み合わせたハイブリッドモデルを提案する。
提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットでテストした場合,優れた結果が得られる。
- 参考スコア（独自算出の注目度）: 1.222622290392729
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network intrusion detection systems (NIDSs) play an important role in
computer network security. There are several detection mechanisms where
anomaly-based automated detection outperforms others significantly. Amid the
sophistication and growing number of attacks, dealing with large amounts of
data is a recognized issue in the development of anomaly-based NIDS. However,
do current models meet the needs of today's networks in terms of required
accuracy and dependability? In this research, we propose a new hybrid model
that combines machine learning and deep learning to increase detection rates
while securing dependability. Our proposed method ensures efficient
pre-processing by combining SMOTE for data balancing and XGBoost for feature
selection. We compared our developed method to various machine learning and
deep learning algorithms to find a more efficient algorithm to implement in the
pipeline. Furthermore, we chose the most effective model for network intrusion
based on a set of benchmarked performance analysis criteria. Our method
produces excellent results when tested on two datasets, KDDCUP'99 and
CIC-MalMem-2022, with an accuracy of 99.99% and 100% for KDDCUP'99 and
CIC-MalMem-2022, respectively, and no overfitting or Type-1 and Type-2 issues.
- Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)は,コンピュータネットワークセキュリティにおいて重要な役割を果たす。
異常に基づく自動検出が他よりも著しく優れているいくつかの検出メカニズムがある。
高度化と攻撃の増加の中で、大量のデータを扱うことは、異常ベースのnidの開発において認識されている問題である。
しかし、現在のモデルは、必要な精度と信頼性の観点から、今日のネットワークのニーズを満たすだろうか?
本研究では,機械学習とディープラーニングを組み合わせた新しいハイブリッドモデルを提案する。
提案手法は,データバランシングのためのSMOTEと特徴選択のためのXGBoostを組み合わせることで,効率的な事前処理を実現する。
開発した手法をさまざまな機械学習およびディープラーニングアルゴリズムと比較し,パイプラインに実装するより効率的なアルゴリズムを提案する。
さらに,ベンチマーク性能分析基準に基づいて,ネットワーク侵入に対して最も効果的なモデルを選択した。
提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットで比較した結果,KDDCUP'99とCIC-MalMem-2022の精度が99.99%,CIC-MalMem-2022が100%であった。
関連論文リスト
- Optimizing Intrusion Detection System Performance Through Synergistic Hyperparameter Tuning and Advanced Data Processing [3.3148772440755527]
侵入検知は、悪意のある活動に対するコンピュータネットワークの確保に不可欠である。
そこで本研究では,ディープラーニングとデータバランシング,高次元化を組み合わせたシステムを提案する。
CIC IDS 2018やCIC IDS 2017のような広範なデータセットをトレーニングすることで、当社のモデルは堅牢なパフォーマンスと一般化を示している。
論文 参考訳（メタデータ） (2024-08-03T14:09:28Z) - Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。
本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。
我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
論文 参考訳（メタデータ） (2024-07-08T09:18:59Z) - Machine learning-based network intrusion detection for big and
imbalanced data using oversampling, stacking feature embedding and feature
extraction [6.374540518226326]
侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。
本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。
CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
論文 参考訳（メタデータ） (2024-01-22T05:49:41Z) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - ALT-MAS: A Data-Efficient Framework for Active Testing of Machine
Learning Algorithms [58.684954492439424]
少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。
ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
論文 参考訳（メタデータ） (2021-04-11T12:14:04Z) - Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。
提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。
また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
論文 参考訳（メタデータ） (2021-01-30T07:21:44Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Contextual-Bandit Anomaly Detection for IoT Data in Distributed
Hierarchical Edge Computing [65.78881372074983]
IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。
本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。
提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2020-04-15T06:13:33Z) - Hybrid Model For Intrusion Detection Systems [0.0]
このプロジェクトには、侵入検知システムで使用されるさまざまな機械学習アルゴリズムの分析が含まれる。
両データセットの異なる侵入検知システムの解析の後、本プロジェクトは侵入検知システムのための新しいハイブリッドモデルを開発することを目的とした。
論文 参考訳（メタデータ） (2020-03-19T05:52:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。