論文の概要: Network Anomaly Detection Using Federated Learning
- arxiv url: http://arxiv.org/abs/2303.07452v1
- Date: Mon, 13 Mar 2023 20:16:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-15 17:30:54.124381
- Title: Network Anomaly Detection Using Federated Learning
- Title(参考訳): 連合学習を用いたネットワーク異常検出
- Authors: William Marfo, Deepak K. Tosh, Shirley V. Moore
- Abstract要約: 我々は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入する。
複数の参加者が共同でグローバルモデルをトレーニングするフェデレーション学習を活用します。
提案手法はUNSW-NB15データセットのベースライン機械学習手法よりも優れている。
- 参考スコア(独自算出の注目度): 0.483420384410068
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the veracity and heterogeneity in network traffic, detecting anomalous
events is challenging. The computational load on global servers is a
significant challenge in terms of efficiency, accuracy, and scalability. Our
primary motivation is to introduce a robust and scalable framework that enables
efficient network anomaly detection. We address the issue of scalability and
efficiency for network anomaly detection by leveraging federated learning, in
which multiple participants train a global model jointly. Unlike centralized
training architectures, federated learning does not require participants to
upload their training data to the server, preventing attackers from exploiting
the training data. Moreover, most prior works have focused on traditional
centralized machine learning, making federated machine learning under-explored
in network anomaly detection. Therefore, we propose a deep neural network
framework that could work on low to mid-end devices detecting network anomalies
while checking if a request from a specific IP address is malicious or not.
Compared to multiple traditional centralized machine learning models, the deep
neural federated model reduces training time overhead. The proposed method
performs better than baseline machine learning techniques on the UNSW-NB15 data
set as measured by experiments conducted with an accuracy of 97.21% and a
faster computation time.
- Abstract(参考訳): ネットワークトラフィックの正確性と不均一性のため,異常事象の検出は困難である。
グローバルサーバの計算負荷は、効率、正確性、スケーラビリティにおいて大きな課題である。
私たちの主な動機は、効率的なネットワーク異常検出を可能にする堅牢でスケーラブルなフレームワークを導入することです。
本稿では,複数の参加者が共同でグローバルモデルを訓練する連合学習を活用し,ネットワーク異常検出のためのスケーラビリティと効率の問題に対処する。
集中型トレーニングアーキテクチャとは異なり、連合学習では、参加者がトレーニングデータをサーバにアップロードする必要はなく、攻撃者がトレーニングデータを利用するのを防ぐ。
さらに、ほとんどの先行研究は、従来の集中型機械学習にフォーカスしており、連合機械学習はネットワーク異常検出に未熟である。
そこで我々は,特定のIPアドレスからの要求が悪意あるかどうかを確認しながら,ネットワーク異常を検出する低中間デバイスで動作するディープニューラルネットワークフレームワークを提案する。
従来の集中型マシンラーニングモデルと比べ、deep neural federatedモデルでは、トレーニング時間のオーバーヘッドが削減される。
提案手法は,UNSW-NB15データセットに対して,精度97.21%,計算時間を高速化した実験により,ベースライン機械学習手法よりも優れている。
関連論文リスト
- NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳(メタデータ) (2024-12-30T00:47:49Z) - FedMSE: Federated learning for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。
Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。
このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文 参考訳(メタデータ) (2024-10-18T02:23:57Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳(メタデータ) (2024-01-22T14:16:37Z) - A Novel Neural Network-Based Federated Learning System for Imbalanced
and Non-IID Data [2.9642661320713555]
ほとんどの機械学習アルゴリズムは、様々なソースから収集される大量のデータに大きく依存している。
この問題に対処するため、研究者らはフェデレーション学習を導入し、クライアントデータのプライバシーを確保することによって予測モデルを学習した。
本研究では,ニューラルネットワークに基づくフェデレーション学習システムを提案する。
論文 参考訳(メタデータ) (2023-11-16T17:14:07Z) - Federated Learning Based Distributed Localization of False Data
Injection Attacks on Smart Grids [5.705281336771011]
偽データインジェクション攻撃(False Data Injection attack, FDIA)は、悪意のあるデータを注入することで、スマート測定デバイスをターゲットにする攻撃の1つである。
本稿では,ハイブリッドディープニューラルネットワークアーキテクチャと組み合わせたフェデレート学習に基づくスキームを提案する。
提案手法をIEEE 57,118,300バスシステムおよび実電力負荷データを用いて広範囲なシミュレーションにより検証した。
論文 参考訳(メタデータ) (2023-06-17T20:29:55Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - GowFed -- A novel Federated Network Intrusion Detection System [0.15469452301122172]
本研究は,Gower Dissimilarity行列とFederated Averagingを併用したネットワーク脅威検出システムであるGowFedを紹介する。
GowFedのアプローチは,(1)バニラバージョン,(2)アテンション機構を備えたバージョンなど,最先端の知識に基づいて開発されている。
全体として、GowFedは、産業レベルのネットワークにおけるネットワーク脅威を検出するためのフェデレートラーニングとガウワーの相違行列の併用に向けた最初の一歩となる。
論文 参考訳(メタデータ) (2022-10-28T23:53:37Z) - 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) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳(メタデータ) (2021-02-09T11:27:14Z) - Ternary Compression for Communication-Efficient Federated Learning [17.97683428517896]
フェデレートされた学習は、プライバシ保護とセキュアな機械学習に対する潜在的なソリューションを提供する。
本稿では,第3次フェデレーション平均化プロトコル(T-FedAvg)を提案する。
その結果,提案したT-FedAvgは通信コストの低減に有効であり,非IIDデータの性能も若干向上できることがわかった。
論文 参考訳(メタデータ) (2020-03-07T11:55:34Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z)
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。