論文の概要: Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection
- arxiv url: http://arxiv.org/abs/2302.01759v1
- Date: Thu, 2 Feb 2023 13:41:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 16:10:36.506945
- Title: Leveraging a Probabilistic PCA Model to Understand the Multivariate
Statistical Network Monitoring Framework for Network Security Anomaly
Detection
- Title(参考訳): 確率的PCAモデルによるネットワークセキュリティ異常検出のための多変量統計ネットワーク監視フレームワークの理解
- Authors: Fernando P\'erez-Bueno and Luz Garc\'ia and Gabriel
Maci\'a-Fern\'andez and Rafael Molina
- Abstract要約: 確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。
2つの異なるデータセットを用いて数学的モデルを評価した。
- 参考スコア(独自算出の注目度): 64.1680666036655
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Network anomaly detection is a very relevant research area nowadays,
especially due to its multiple applications in the field of network security.
The boost of new models based on variational autoencoders and generative
adversarial networks has motivated a reevaluation of traditional techniques for
anomaly detection. It is, however, essential to be able to understand these new
models from the perspective of the experience attained from years of evaluating
network security data for anomaly detection. In this paper, we revisit anomaly
detection techniques based on PCA from a probabilistic generative model point
of view, and contribute a mathematical model that relates them. Specifically,
we start with the probabilistic PCA model and explain its connection to the
Multivariate Statistical Network Monitoring (MSNM) framework. MSNM was recently
successfully proposed as a means of incorporating industrial process anomaly
detection experience into the field of networking. We have evaluated the
mathematical model using two different datasets. The first, a synthetic dataset
created to better understand the analysis proposed, and the second, UGR'16, is
a specifically designed real-traffic dataset for network security anomaly
detection. We have drawn conclusions that we consider to be useful when
applying generative models to network security detection.
- Abstract(参考訳): ネットワーク異常検出は、特にネットワークセキュリティの分野での複数の応用のために、現在非常に重要な研究分野である。
変分自己エンコーダと生成逆数ネットワークに基づく新しいモデルの強化は、従来の異常検出手法の再評価を動機付けている。
しかし、ネットワークセキュリティデータを異常検出のために何年も評価してきた経験から、これらの新しいモデルを理解することは不可欠である。
本稿では,確率的生成モデルの観点からPCAに基づく異常検出手法を再検討し,それらに関連する数学的モデルに寄与する。
具体的には,確率的PCAモデルから始め,その多変量統計ネットワークモニタリング(MSNM)フレームワークとの関係を説明する。
MSNMは、産業プロセスの異常検出経験をネットワーク分野に組み込む手段として、最近、成功した。
2つの異なるデータセットを用いて数学的モデルを評価した。
1つ目は、提案された分析をよりよく理解するために作成された合成データセットで、2つ目は、ネットワークセキュリティ異常検出用に特別に設計された実際のデータセット ugr'16 である。
我々は,ネットワークセキュリティ検出に生成モデルを適用する際に有用であると考えられる結論を導いた。
関連論文リスト
- Self-Supervised and Interpretable Anomaly Detection using Network
Transformers [1.0705399532413615]
本稿では,異常検出のためのNetwork Transformer(NeT)モデルを提案する。
NeTは、解釈性を改善するために、通信ネットワークのグラフ構造を組み込んでいる。
提案手法は, 産業制御システムにおける異常検出の精度を評価することによって検証された。
論文 参考訳(メタデータ) (2022-02-25T22:05:59Z) - AVTPnet: Convolutional Autoencoder for AVTP anomaly detection in
Automotive Ethernet Networks [2.415997479508991]
本稿では,Audio Video Transport Protocol (AVTP) 上での異常のオフライン検出のための畳み込みオートエンコーダ (CAE) を提案する。
提案手法は、最近発表された"Automotive Ethernet Intrusion dataset"に基づいて評価される。
論文 参考訳(メタデータ) (2022-01-31T19:13:20Z) - CC-Cert: A Probabilistic Approach to Certify General Robustness of
Neural Networks [58.29502185344086]
安全クリティカルな機械学習アプリケーションでは、モデルを敵の攻撃から守ることが不可欠である。
意味的に意味のある入力変換に対して、ディープラーニングモデルの証明可能な保証を提供することが重要である。
我々はChernoff-Cramer境界に基づく新しい普遍確率的証明手法を提案する。
論文 参考訳(メタデータ) (2021-09-22T12:46:04Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳(メタデータ) (2021-01-03T02:32:45Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳(メタデータ) (2020-12-17T15:19:29Z) - On the Usage of Generative Models for Network Anomaly Detection in
Multivariate Time-Series [3.1790432590377242]
本稿では,時系列におけるネットワーク異常検出の新しい手法であるNet-GANを紹介する。
我々は、生成モデルの背後にある概念を利用して、Net-GANの補完的アプローチであるNet-VAEを考案する。
我々は,IoTセンサデータにおける異常検出,ネットワーク計測における侵入検出など,異なる監視シナリオにおけるNet-GANとNet-VAEを評価した。
論文 参考訳(メタデータ) (2020-10-16T10:22:25Z) - Experimental Review of Neural-based approaches for Network Intrusion
Management [8.727349339883094]
本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。
私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。
我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
論文 参考訳(メタデータ) (2020-09-18T18:32:24Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳(メタデータ) (2020-09-16T15:52:04Z) - A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。
本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。
提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文 参考訳(メタデータ) (2020-05-19T13:30:30Z)
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。