論文の概要: Associated Random Neural Networks for Collective Classification of Nodes
in Botnet Attacks
- arxiv url: http://arxiv.org/abs/2303.13627v1
- Date: Thu, 23 Mar 2023 19:32:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-27 16:50:38.465582
- Title: Associated Random Neural Networks for Collective Classification of Nodes
in Botnet Attacks
- Title（参考訳）: ボットネット攻撃におけるノードの集団分類のための関連ランダムニューラルネットワーク
- Authors: Erol Gelenbe and Mert Nak{\i}p
- Abstract要約: ボットネット攻撃はネットワーク化されたシステムにとって大きな脅威である。
本研究は,nノードIPネットワークからのトラフィックを動作させる集合Botnet攻撃分類手法を導入し,不正なノードを識別する新しいAssociated Random Neural Network(ARNN)を提案する。
- 参考スコア（独自算出の注目度）: 1.517849300165222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Botnet attacks are a major threat to networked systems because of their
ability to turn the network nodes that they compromise into additional
attackers, leading to the spread of high volume attacks over long periods. The
detection of such Botnets is complicated by the fact that multiple network IP
addresses will be simultaneously compromised, so that Collective Classification
of compromised nodes, in addition to the already available traditional methods
that focus on individual nodes, can be useful. Thus this work introduces a
collective Botnet attack classification technique that operates on traffic from
an n-node IP network with a novel Associated Random Neural Network (ARNN) that
identifies the nodes which are compromised. The ARNN is a recurrent
architecture that incorporates two mutually associated, interconnected and
architecturally identical n-neuron random neural networks, that act
simultneously as mutual critics to reach the decision regarding which of n
nodes have been compromised. A novel gradient learning descent algorithm is
presented for the ARNN, and is shown to operate effectively both with
conventional off-line training from prior data, and with on-line incremental
training without prior off-line learning. Real data from a 107 node packet
network is used with over 700,000 packets to evaluate the ARNN, showing that it
provides accurate predictions. Comparisons with other well-known state of the
art methods using the same learning and testing datasets, show that the ARNN
offers significantly better performance.
- Abstract（参考訳）: ボットネット攻撃はネットワークシステムにとって大きな脅威であり、ネットワークノードを他の攻撃者に変える能力があるため、長期にわたって大量の攻撃が広まることになる。
このようなボットネットの検出は、複数のネットワークIPアドレスが同時に漏洩するという事実によって複雑であり、個々のノードにフォーカスする従来の方法に加えて、妥協されたノードの集合的分類が有用である。
そこで本研究では,NノードIPネットワークからのトラフィックに対して,不正なノードを識別する新しいAssociated Random Neural Network (ARNN) を用いたボットネット攻撃分類手法を提案する。
ARNNは、相互に関連付けられ、相互接続され、アーキテクチャ的に同一の2つのn-ニューロンランダムニューラルネットワークを組み込んだ、反復アーキテクチャである。
新たな勾配学習降下アルゴリズムがARNNに提案され,従来のオフライントレーニングとオンラインインクリメンタルトレーニングの両方で,事前オフライン学習なしで効果的に動作することが示されている。
107ノードのパケットネットワークからの実際のデータは70,000以上のパケットでARNNを評価し、正確な予測を提供する。
同じ学習データセットとテストデータセットを使用した他の有名な技術手法と比較すると、ARNNははるかに優れたパフォーマンスを提供することを示している。
関連論文リスト
- A Novel Supervised Deep Learning Solution to Detect Distributed Denial
of Service (DDoS) attacks on Edge Systems using Convolutional Neural Networks
(CNN) [0.41436032949434404]
ネットワークトラフィックにおけるDDoS攻撃を検出するための,新たなディープラーニングベースのアプローチを提案する。
本研究では、畳み込みニューラルネットワーク(CNN)と一般的なディープラーニングアルゴリズムの特性を利用する。
本研究は,DDOS攻撃検出における提案アルゴリズムの有効性を実証し,ネットワークトラフィックにおける2000の未確認フローに対して,.9883の精度を達成した。
論文 参考訳（メタデータ） (2023-09-11T17:37:35Z) - Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。
本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
論文 参考訳（メタデータ） (2023-08-31T05:26:08Z) - Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。
本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文 参考訳（メタデータ） (2023-07-22T04:52:27Z) - SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。
主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
論文 参考訳（メタデータ） (2021-10-13T10:36:37Z) - Combining Spiking Neural Network and Artificial Neural Network for
Enhanced Image Classification [1.8411688477000185]
生物学的脳シナプスによく似たSNN(spiking neural Network)は、低消費電力のために注目を集めている。
我々は、関係する性能を改善する汎用ハイブリッドニューラルネットワーク(hnn)を構築した。
論文 参考訳（メタデータ） (2021-02-21T12:03:16Z) - Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。
その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文 参考訳（メタデータ） (2020-09-13T21:12:20Z) - Exploiting Heterogeneity in Operational Neural Networks by Synaptic
Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。
本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。
高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文 参考訳（メタデータ） (2020-08-21T19:03:23Z) - Progressive Tandem Learning for Pattern Recognition with Deep Spiking
Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。
高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-02T15:38:44Z) - Online Dynamic Network Embedding [26.203786679460528]
本稿では,動的ネットワークを扱うためにRNNE(Recurrent Neural Network Embedding)アルゴリズムを提案する。
RNNEはネットワークの静的特性と動的特性の両方を考慮している。
RNNEを5つのネットワーク上で評価し、最先端のアルゴリズムと比較する。
論文 参考訳（メタデータ） (2020-06-30T02:21:37Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳（メタデータ） (2020-03-13T15:34:33Z)
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。