論文の概要: Feature Mining for Encrypted Malicious Traffic Detection with Deep Learning and Other Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2304.03691v1
• Date: Fri, 7 Apr 2023 15:25:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 11:36:09.128843
• Title: Feature Mining for Encrypted Malicious Traffic Detection with Deep Learning and Other Machine Learning Algorithms
• Title（参考訳）: 深層学習とその他の機械学習アルゴリズムを用いた不正トラフィック検出のための特徴マイニング
• Authors: Zihao Wang, Vrizlynn L. L. Thing
• Abstract要約: 暗号化メカニズムの人気は、悪意のあるトラフィック検出に大きな課題をもたらします。 従来の検出技術は、暗号化されたトラフィックの復号化なしには機能しない。 本稿では,交通特徴の詳細な分析を行い,現状の交通特徴生成手法の比較を行う。 本稿では,暗号化された不正なトラフィック分析に特化して設計された,暗号化されたトラフィック機能に関する新しい概念を提案する。
• 参考スコア（独自算出の注目度）: 7.404682407709988
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The popularity of encryption mechanisms poses a great challenge to malicious traffic detection. The reason is traditional detection techniques cannot work without the decryption of encrypted traffic. Currently, research on encrypted malicious traffic detection without decryption has focused on feature extraction and the choice of machine learning or deep learning algorithms. In this paper, we first provide an in-depth analysis of traffic features and compare different state-of-the-art traffic feature creation approaches, while proposing a novel concept for encrypted traffic feature which is specifically designed for encrypted malicious traffic analysis. In addition, we propose a framework for encrypted malicious traffic detection. The framework is a two-layer detection framework which consists of both deep learning and traditional machine learning algorithms. Through comparative experiments, it outperforms classical deep learning and traditional machine learning algorithms, such as ResNet and Random Forest. Moreover, to provide sufficient training data for the deep learning model, we also curate a dataset composed entirely of public datasets. The composed dataset is more comprehensive than using any public dataset alone. Lastly, we discuss the future directions of this research.
• Abstract（参考訳）: 暗号化メカニズムの人気は、悪意のあるトラフィック検出に大きな課題をもたらす。 従来の検出技術は、暗号化されたトラフィックの復号化なしには機能しない。 現在、暗号化された悪意のあるトラフィック検出に関する研究は、機能抽出と機械学習やディープラーニングアルゴリズムの選択に焦点を当てている。 本稿では,まず,トラフィックの特徴を詳細に分析し,異なるトラフィック特徴生成手法を比較するとともに,暗号化された悪意のあるトラフィック分析用に特別に設計された暗号化トラフィック機能の新しい概念を提案する。 さらに,暗号化された悪意のあるトラフィック検出のためのフレームワークを提案する。 このフレームワークは、ディープラーニングと従来の機械学習アルゴリズムの両方からなる2層検出フレームワークである。 比較実験を通じて、ResNetやRandom Forestといった古典的なディープラーニングや従来の機械学習アルゴリズムよりも優れています。 さらに、ディープラーニングモデルのための十分なトレーニングデータを提供するため、公開データセットからなるデータセットをキュレートする。 構成されたデータセットは、公開データセットのみを使用するよりも包括的である。 最後に,本研究の今後の方向性について述べる。

関連論文リスト

• Lightweight Cryptanalysis of IoT Encryption Algorithms : Is Quota Sampling the Answer? [0.0]
  2つの有名な軽量アルゴリズムはSIMONとSIMECKである。 差分暗号解析攻撃に対するレジリエンスのためにこれらのアルゴリズムをテストする必要がある。 本稿では,高次クリプトアナリシスのためのVersatile Investigationative Smpling Techniqueを紹介する。
  論文  参考訳（メタデータ） (2024-04-12T00:08:39Z)
• Cryptanalysis and improvement of multimodal data encryption by machine-learning-based system [0.0]
  このフィールドの様々な要求を満たす暗号化アルゴリズム。 暗号化アルゴリズムを分析するための最良のアプローチは、それを壊すための実用的で効率的なテクニックを特定することである。
  論文  参考訳（メタデータ） (2024-02-24T10:02:21Z)
• Feature Analysis of Encrypted Malicious Traffic [3.3148826359547514]
  近年,自己プロパゲーションや通信に暗号化HTTPトラフィックを使用するマルウェア攻撃の増加が著しく進んでいる。 アンチウイルスソフトウェアやファイアウォールは一般的に暗号化キーにアクセスできないため、暗号化されたデータの直接検出が成功する可能性は低い。 これまでの研究によると、基盤となるデータが暗号化されている場合でも、トラフィック分析は悪意のある意図を示すことができる。
  論文  参考訳（メタデータ） (2023-12-06T12:04:28Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Machine Learning for Encrypted Malicious Traffic Detection: Approaches, Datasets and Comparative Study [6.267890584151111]
  新型コロナウイルス(COVID-19)後の環境では、悪意のあるトラフィック暗号化が急速に増加している。 我々は、機械学習に基づく暗号化された悪意のあるトラフィック検出手法の普遍的な枠組みを定式化する。 暗号化された悪意のあるトラフィック検出アルゴリズムを10個実装し比較する。
  論文  参考訳（メタデータ） (2022-03-17T14:00:55Z)
• Towards Machine Learning for Placement and Routing in Chip Design: a Methodological Overview [72.79089075263985]
  配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。 機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
  論文  参考訳（メタデータ） (2022-02-28T06:28:44Z)
• TenSEAL: A Library for Encrypted Tensor Operations Using Homomorphic Encryption [0.0]
  モノモルフィック暗号化を用いたプライバシー保護機械学習のためのオープンソースライブラリTenSEALを紹介します。 我々は,半メガバイト以下の通信を用いて,暗号化畳み込みニューラルネットワークを1秒以内で評価可能であることを示す。
  論文  参考訳（メタデータ） (2021-04-07T14:32:38Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Unsupervised Deep Cross-modality Spectral Hashing [65.3842441716661]
  このフレームワークは、最適化をバイナリ最適化とハッシュ関数学習に分離する2段階のハッシュアプローチである。 本稿では,単一モダリティと二項相互モダリティを同時に学習するスペクトル埋め込みに基づく新しいアルゴリズムを提案する。 我々は、画像に強力なCNNを活用し、テキストモダリティを学ぶためのCNNベースのディープアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-08-01T09:20:11Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)
• AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
  基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。 汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。 機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
  論文  参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。