論文の概要: Late Breaking Results: Scalable and Efficient Hyperdimensional Computing for Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2304.06728v1
• Date: Tue, 11 Apr 2023 21:30:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-23 04:33:05.241005
• Title: Late Breaking Results: Scalable and Efficient Hyperdimensional Computing for Network Intrusion Detection
• Title（参考訳）: 遅延破壊結果:ネットワーク侵入検出のためのスケーラブルで効率的な超次元計算
• Authors: Junyao Wang, Hanning Chen, Mariam Issa, Sitao Huang, Mohsen Imani
• Abstract要約: CyberHDは、非常に低い次元で複雑なサイバー脅威のパターンを捉え、再生する革新的なHDC学習フレームワークである。 さらに、高次元空間におけるパターンのホログラム分布は、特にハードウェアエラーに対する堅牢性が高いCyberHDを提供する。
• 参考スコア（独自算出の注目度）: 8.580557246382142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cybersecurity has emerged as a critical challenge for the industry. With the large complexity of the security landscape, sophisticated and costly deep learning models often fail to provide timely detection of cyber threats on edge devices. Brain-inspired hyperdimensional computing (HDC) has been introduced as a promising solution to address this issue. However, existing HDC approaches use static encoders and require very high dimensionality and hundreds of training iterations to achieve reasonable accuracy. This results in a serious loss of learning efficiency and causes huge latency for detecting attacks. In this paper, we propose CyberHD, an innovative HDC learning framework that identifies and regenerates insignificant dimensions to capture complicated patterns of cyber threats with remarkably lower dimensionality. Additionally, the holographic distribution of patterns in high dimensional space provides CyberHD with notably high robustness against hardware errors.
• Abstract（参考訳）: サイバーセキュリティは業界にとって重要な課題となっている。 セキュリティの複雑さが大きいため、高度なディープラーニングモデルは、エッジデバイス上でのサイバー脅威のタイムリーな検出に失敗することが多い。 脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するための有望な解決策として紹介されている。 しかし、既存のhdcアプローチは静的エンコーダを使用し、妥当な精度を達成するために非常に高い次元と数百のトレーニングイテレーションを必要とする。 これにより、学習効率が著しく低下し、攻撃を検出するのに巨大な遅延が発生する。 本稿では,非常に低次元のサイバー脅威の複雑なパターンを捉えるために,重要次元を特定し再生する革新的なHDC学習フレームワークであるCyberHDを提案する。 さらに、高次元空間におけるパターンのホログラフィック分布は、cyberhdに特にハードウェアエラーに対する高い堅牢性を提供する。

関連論文リスト

• Efficient Intrusion Detection: Combining $χ^2$ Feature Selection with CNN-BiLSTM on the UNSW-NB15 Dataset [2.239394800147746]
  侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSをデプロイする上での課題である。 本稿では、軽量畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を組み合わせた効果的なIDSモデルを提案する。
  論文  参考訳（メタデータ） (2024-07-20T17:41:16Z)
• DM3D: Distortion-Minimized Weight Pruning for Lossless 3D Object Detection [42.07920565812081]
  本稿では,3次元物体検出のための新しいトレーニング後の重み付け手法を提案する。 事前訓練されたモデルにおける冗長パラメータを決定し、局所性と信頼性の両方において最小限の歪みをもたらす。 本フレームワークは,ネットワーク出力の歪みを最小限に抑え,検出精度を最大に維持することを目的とする。
  論文  参考訳（メタデータ） (2024-07-02T09:33:32Z)
• Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
  我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。 本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。 このアプローチは、潜在空間における表現学習の強みを生かしている。
  論文  参考訳（メタデータ） (2024-06-04T03:22:52Z)
• An Approach to Abstract Multi-stage Cyberattack Data Generation for ML-Based IDS in Smart Grids [2.5655761752240505]
  スマートグリッドにおける機械学習モデルを学習するためのグラフベースアプローチを用いて合成データを生成する手法を提案する。 我々は、グラフ定式化によって定義された多段階サイバー攻撃の抽象形式を使用し、ネットワーク内の攻撃の伝播挙動をシミュレートする。
  論文  参考訳（メタデータ） (2023-12-21T11:07:51Z)
• Investigation of Multi-stage Attack and Defense Simulation for Data Synthesis [2.479074862022315]
  本研究では,電力網における多段階サイバー攻撃の合成データを生成するモデルを提案する。 攻撃者のステップのシーケンスをモデル化するためにアタックツリーを使用し、ディフェンダーのアクションを組み込むゲーム理論のアプローチを使用する。
  論文  参考訳（メタデータ） (2023-12-21T09:54:18Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• Robust and Scalable Hyperdimensional Computing With Brain-Like Neural Adaptations [17.052624039805856]
  Internet of Things(IoT)は、エッジベースの機械学習(ML)メソッドを使用して、ローカルに収集されたデータを分析する多くのアプリケーションを容易にした。 脳にインスパイアされた超次元コンピューティング(HDC)がこの問題に対処するために導入された。 既存のHDCは静的エンコーダを使用しており、正確な精度を達成するために非常に高次元と数百のトレーニングイテレーションを必要とする。 本研究では,非所望次元を特定し再生する動的HDC学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-13T19:42:33Z)
• DistHD: A Learner-Aware Dynamic Encoding Method for Hyperdimensional Classification [10.535034643999344]
  本稿では,HDC適応学習のための動的符号化手法であるDistHDを提案する。 提案するアルゴリズムであるDistHDは,より低次元で所望の精度を実現する。
  論文  参考訳（メタデータ） (2023-04-11T21:18:52Z)
• Towards Effective Adversarial Textured 3D Meshes on Physical Face Recognition [42.60954035488262]
  本研究の目的は、商業システムに対する対角的堅牢性の評価をエンドツーエンドで行うことのできる、より信頼性の高い技術を開発することである。 我々は、人間の顔に精巧なトポロジーを持つ、敵のテクスチャ化された3Dメッシュ(AT3D)を設計し、攻撃者の顔に3Dプリントして貼り付けることで、防御を回避する。 メッシュベースの空間から逸脱するために,3次元形態モデルに基づく低次元係数空間の摂動を提案する。
  論文  参考訳（メタデータ） (2023-03-28T08:42:54Z)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
  コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。 最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。 しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。 本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
  論文  参考訳（メタデータ） (2021-01-18T03:24:48Z)

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。