論文の概要: Few-shot Weakly-supervised Cybersecurity Anomaly Detection
- arxiv url: http://arxiv.org/abs/2304.07470v1
- Date: Sat, 15 Apr 2023 04:37:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-18 18:52:13.372476
- Title: Few-shot Weakly-supervised Cybersecurity Anomaly Detection
- Title(参考訳): 微弱監視型サイバーセキュリティ異常検出
- Authors: Rahul Kale, Vrizlynn L. L. Thing
- Abstract要約: 本稿では,既存の弱教師付きディープラーニング異常検出フレームワークの強化を提案する。
このフレームワークには、データ拡張、表現学習、順序回帰が含まれている。
そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
- 参考スコア(独自算出の注目度): 1.179179628317559
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With increased reliance on Internet based technologies, cyberattacks
compromising users' sensitive data are becoming more prevalent. The scale and
frequency of these attacks are escalating rapidly, affecting systems and
devices connected to the Internet. The traditional defense mechanisms may not
be sufficiently equipped to handle the complex and ever-changing new threats.
The significant breakthroughs in the machine learning methods including deep
learning, had attracted interests from the cybersecurity research community for
further enhancements in the existing anomaly detection methods. Unfortunately,
collecting labelled anomaly data for all new evolving and sophisticated attacks
is not practical. Training and tuning the machine learning model for anomaly
detection using only a handful of labelled data samples is a pragmatic
approach. Therefore, few-shot weakly supervised anomaly detection is an
encouraging research direction. In this paper, we propose an enhancement to an
existing few-shot weakly-supervised deep learning anomaly detection framework.
This framework incorporates data augmentation, representation learning and
ordinal regression. We then evaluated and showed the performance of our
implemented framework on three benchmark datasets: NSL-KDD, CIC-IDS2018, and
TON_IoT.
- Abstract(参考訳): インターネットベースの技術への依存が高まり、ユーザーの機密データを侵害するサイバー攻撃が普及している。
これらの攻撃の規模と頻度は急速に拡大し、インターネットに接続されたシステムやデバイスに影響している。
従来の防御機構は、複雑で常に変化する新しい脅威を扱うのに十分な装備が備わっていないかもしれない。
ディープラーニングを含む機械学習手法の大きなブレークスルーは、既存の異常検出方法をさらに強化するために、サイバーセキュリティ研究コミュニティから関心を集めていた。
残念ながら、新しく進化し洗練された攻撃に対するラベル付き異常データの収集は現実的ではない。
ラベル付きデータサンプルのみを使用した異常検出のための機械学習モデルのトレーニングとチューニングは現実的なアプローチである。
したがって、弱い監視された異常検出が奨励的な研究方向である。
本稿では,既存の少数ショットの弱教師付き深層学習異常検出フレームワークの強化を提案する。
このフレームワークには、データ拡張、表現学習、順序回帰が組み込まれている。
次に、NSL-KDD、CIC-IDS2018、TON_IoTの3つのベンチマークデータセット上で、実装したフレームワークの性能を評価した。
関連論文リスト
- Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳(メタデータ) (2023-03-24T16:03:21Z) - Adversarial Attacks and Defenses in Machine Learning-Powered Networks: A
Contemporary Survey [114.17568992164303]
機械学習とディープニューラルネットワークにおけるアドリアックと防御が注目されている。
本調査は、敵攻撃・防衛技術分野における最近の進歩を包括的に概観する。
検索ベース、意思決定ベース、ドロップベース、物理世界攻撃など、新たな攻撃方法も検討されている。
論文 参考訳(メタデータ) (2023-03-11T04:19:31Z) - A Hybrid Deep Learning Anomaly Detection Framework for Intrusion
Detection [4.718295605140562]
本稿では,3段階のディープラーニング異常検出に基づくネットワーク侵入攻撃検出フレームワークを提案する。
このフレームワークは、教師なし(K平均クラスタリング)、半教師付き(GANomaly)、および教師付き学習(CNN)アルゴリズムの統合を含む。
そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
論文 参考訳(メタデータ) (2022-12-02T04:40:54Z) - Towards an Awareness of Time Series Anomaly Detection Models'
Adversarial Vulnerability [21.98595908296989]
本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。
いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。
敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
論文 参考訳(メタデータ) (2022-08-24T01:55:50Z) - Robustness Evaluation of Deep Unsupervised Learning Algorithms for
Intrusion Detection Systems [0.0]
本稿では, 汚染データに対する侵入検出のための6つの最新のディープラーニングアルゴリズムの堅牢性を評価する。
本研究で用いた最先端のアルゴリズムは,データ汚染に敏感であり,データ摂動に対する自己防衛の重要性を明らかにしている。
論文 参考訳(メタデータ) (2022-06-25T02:28:39Z) - Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。
シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文 参考訳(メタデータ) (2022-03-25T19:57:19Z) - Learning to Detect: A Data-driven Approach for Network Intrusion
Detection [17.288512506016612]
ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。
侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。
バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
論文 参考訳(メタデータ) (2021-08-18T21:19:26Z) - 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) - Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。
本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。
ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-13T08:24:33Z) - 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) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳(メタデータ) (2020-01-13T13:54:36Z)
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。