論文の概要: Deep Neural Networks based Meta-Learning for Network Intrusion Detection
- arxiv url: http://arxiv.org/abs/2302.09394v1
- Date: Sat, 18 Feb 2023 18:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 18:44:44.029503
- Title: Deep Neural Networks based Meta-Learning for Network Intrusion Detection
- Title（参考訳）: ディープニューラルネットワークを用いたメタラーニングによるネットワーク侵入検出
- Authors: Anabia Sohail, Bibi Ayisha, Irfan Hameed, Muhammad Mohsin Zafar, and
Asifullah Khan
- Abstract要約: Information Fusion and Stacking Ensemble (INFUSE) を導入する。
このアプローチは、INFUSE上にディープニューラルネットワークベースのMeta-Learnerを使用することで、予測能力をさらに向上する。
ストレントベンチマークデータセットにおけるINFUSEの有効性は,Fスコア0.91,91.6%,リコール0.94,Fスコア0.91,85.6%,リコール0.87をストレントテスト21データセットで評価した。
- 参考スコア（独自算出の注目度）: 0.24466725954625884
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing an intrusion detection system is difficult as network traffic
encompasses various attack types, including new and evolving ones with minor
changes. The data used to construct a predictive model has a skewed class
distribution and limited representation of attack types, which differ from real
network traffic. These limitations result in dataset shift, negatively
impacting the machine learning models' predictive abilities and reducing the
detection rate against novel attacks. To address the challenge of dataset
shift, we introduce the INformation FUsion and Stacking Ensemble (INFUSE) for
network intrusion detection. This approach further improves its predictive
power by employing a deep neural network-based Meta-Learner on top of INFUSE.
First, a hybrid feature space is created by integrating decision and feature
spaces. Five different classifiers are utilized to generate a pool of decision
spaces. The feature space is then enriched through a deep sparse autoencoder
that learns the semantic relationships between attacks. Finally, the deep
Meta-Learner acts as an ensemble combiner to analyze the hybrid feature space
and make a final decision. Our evaluation on stringent benchmark datasets and
comparison to existing techniques showed the effectiveness of INFUSE with an
F-Score of 0.91, Accuracy of 91.6%, and Recall of 0.94 on the Test+ dataset,
and an F-Score of 0.91, Accuracy of 85.6%, and Recall of 0.87 on the stringent
Test-21 dataset. These promising results indicate the proposed technique has
strong generalization capability and the potential to detect network attacks.
- Abstract（参考訳）: ネットワークトラフィックがさまざまな攻撃タイプを包含しているため、侵入検知システムの設計は困難である。
予測モデルを構築するために使用されるデータは、歪んだクラス分布と、実際のネットワークトラフィックとは異なる攻撃タイプの限定表現を持つ。
これらの制限はデータセットシフトを引き起こし、機械学習モデルの予測能力に悪影響を及ぼし、新規攻撃に対する検出率を低下させる。
データセットシフトの課題に対処するために,ネットワーク侵入検出のための情報融合・スタックリングアンサンブル(infuse)を提案する。
このアプローチは、INFUSE上にディープニューラルネットワークベースのMeta-Learnerを使用することで、予測能力をさらに向上する。
まず、決定空間と特徴空間を統合することで、ハイブリッドな特徴空間を作成する。
5つの異なる分類器を使用して、決定空間のプールを生成する。
機能空間は、攻撃間の意味関係を学習する深いスパースオートエンコーダを通じて強化される。
最後に、deep meta-learnerは、ハイブリッド機能空間を分析し、最終的な決定を行うためのアンサンブルコンバインとして機能する。
文字列型ベンチマークデータセットの評価と既存手法との比較により, INFUSEのFスコア0.91, 91.6%, テスト+データセット0.94, Fスコア0.91, 85.6%, テスト21データセット0.87のリコールの有効性が示された。
これらの有望な結果から,提案手法は強力な一般化能力とネットワーク攻撃を検出する可能性を示唆する。
関連論文リスト
- Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning [1.0678175996321808]
IoT(Internet of Things)は、インテリジェンスを日常のオブジェクトに統合するブレークスルー技術として紹介されている。
IoTネットワークが拡大し、拡大するにつれ、サイバーセキュリティ攻撃の影響を受けやすくなっている。
本稿では,これらの課題に対処する新しい侵入検知手法を提案する。
論文 参考訳（メタデータ） (2024-06-04T06:30:22Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳（メタデータ） (2023-10-02T03:25:32Z) - Unfolding Local Growth Rate Estimates for (Almost) Perfect Adversarial
Detection [22.99930028876662]
畳み込みニューラルネットワーク(CNN)は、多くの知覚的タスクにおける最先端のソリューションを定義する。
現在のCNNアプローチは、システムを騙すために特別に作られた入力の敵の摂動に対して脆弱なままである。
本稿では,ネットワークの局所固有次元(LID)と敵攻撃の関係について,最近の知見を生かした,シンプルで軽量な検出器を提案する。
論文 参考訳（メタデータ） (2022-12-13T17:51:32Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - 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) - Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。
本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。
本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
論文 参考訳（メタデータ） (2020-07-28T19:00:40Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z) - 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) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z) - 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) - Non-Intrusive Detection of Adversarial Deep Learning Attacks via
Observer Networks [5.4572790062292125]
近年の研究では、深層学習モデルは逆入力に弱いことが示されている。
本稿では,主分類網を複数のバイナリ検出器で拡張することにより,逆入力を検出する新しい手法を提案する。
我々は、MNISTデータセットで99.5%、CIFAR-10データセットで97.5%の精度で検出する。
論文 参考訳（メタデータ） (2020-02-22T21:13:00Z)
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。