論文の概要: Forensic Data Analytics for Anomaly Detection in Evolving Networks
- arxiv url: http://arxiv.org/abs/2308.09171v1
- Date: Thu, 17 Aug 2023 20:09:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-21 15:26:09.557896
- Title: Forensic Data Analytics for Anomaly Detection in Evolving Networks
- Title（参考訳）: 進化するネットワークにおける異常検出のための法医学データ解析
- Authors: Li Yang, Abdallah Moubayed, Abdallah Shami, Amine Boukhtouta, Parisa
Heidari, Stere Preda, Richard Brunner, Daniel Migault, and Adel Larabi
- Abstract要約: 多くのサイバー犯罪や攻撃が、悪意ある活動を行うために進化するネットワークで開始されている。
本章では,ネットワーク異常検出のためのディジタル分析フレームワークについて紹介する。
実世界の進化するネットワークデータに関する実験は、提案した法医学データ分析ソリューションの有効性を示している。
- 参考スコア（独自算出の注目度）: 13.845204373507016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the prevailing convergence of traditional infrastructure-based deployment
(i.e., Telco and industry operational networks) towards evolving deployments
enabled by 5G and virtualization, there is a keen interest in elaborating
effective security controls to protect these deployments in-depth. By
considering key enabling technologies like 5G and virtualization, evolving
networks are democratized, facilitating the establishment of point presences
integrating different business models ranging from media, dynamic web content,
gaming, and a plethora of IoT use cases. Despite the increasing services
provided by evolving networks, many cybercrimes and attacks have been launched
in evolving networks to perform malicious activities. Due to the limitations of
traditional security artifacts (e.g., firewalls and intrusion detection
systems), the research on digital forensic data analytics has attracted more
attention. Digital forensic analytics enables people to derive detailed
information and comprehensive conclusions from different perspectives of
cybercrimes to assist in convicting criminals and preventing future crimes.
This chapter presents a digital analytics framework for network anomaly
detection, including multi-perspective feature engineering, unsupervised
anomaly detection, and comprehensive result correction procedures. Experiments
on real-world evolving network data show the effectiveness of the proposed
forensic data analytics solution.
- Abstract（参考訳）: 従来のインフラストラクチャベースのデプロイメント(例えばTelcoと業界運用ネットワーク)の5Gと仮想化によって実現されたデプロイメントの進化への収束において、これらのデプロイメントを深く保護するための効果的なセキュリティコントロールの開発に強い関心が寄せられている。
5Gや仮想化といった重要な実現技術を考慮することで、進化するネットワークは民主化され、メディア、動的Webコンテンツ、ゲーム、そして多くのIoTユースケースから、さまざまなビジネスモデルを統合するポイントの存在が確立される。
進化するネットワークによって提供されるサービスの増加にもかかわらず、多くのサイバー犯罪や攻撃が悪意ある活動を行うために進化するネットワークで開始されている。
従来のセキュリティアーティファクト(ファイアウォールや侵入検知システムなど)の制限により、デジタル法医学データ分析の研究が注目を集めている。
デジタル法医学分析により、サイバー犯罪の異なる視点から詳細な情報と包括的な結論を導き、犯罪者を有罪にし、将来の犯罪を防ぐことができる。
本章では,マルチパースペクティブ機能工学,教師なし異常検出,総合的な結果修正手順を含む,ネットワーク異常検出のためのディジタル分析フレームワークを提案する。
実世界発展型ネットワークデータに関する実験により,提案手法の有効性が示された。
関連論文リスト
- Adversarial Challenges in Network Intrusion Detection Systems: Research Insights and Future Prospects [0.33554367023486936]
本稿では,機械学習を用いたネットワーク侵入検知システム(NIDS)の総合的なレビューを行う。
NIDSにおける既存の研究を批判的に検討し、重要なトレンド、強み、限界を強調した。
我々は、この分野における新たな課題について議論し、より堅牢でレジリエントなNIDSの開発に向けた洞察を提供する。
論文 参考訳（メタデータ） (2024-09-27T13:27:29Z) - A Survey on the Application of Generative Adversarial Networks in Cybersecurity: Prospective, Direction and Open Research Scopes [1.3631461603291568]
GAN(Generative Adversarial Networks)は、常に変化するセキュリティ問題に対処する強力なソリューションとして登場した。
本研究は, サイバーセキュリティの防衛強化において, GANを的確に捉えた深層学習モデルの重要性について検討した。
焦点は、これらのドメインにおけるサイバーセキュリティの防御を強化するために、GANがいかに影響力のあるツールになり得るかを調べることである。
論文 参考訳（メタデータ） (2024-07-11T19:51:48Z) - Advancing Security in AI Systems: A Novel Approach to Detecting
Backdoors in Deep Neural Networks [3.489779105594534]
バックドアは、ディープニューラルネットワーク(DNN)上の悪意あるアクターと、データ処理のためのクラウドサービスによって悪用される。
提案手法は高度テンソル分解アルゴリズムを利用して,事前学習したDNNの重みを慎重に解析し,バックドアモデルとクリーンモデルとの区別を行う。
この進歩は、ネットワークシステムにおけるディープラーニングとAIのセキュリティを強化し、新興技術の脅威の進化に対して不可欠なサイバーセキュリティを提供する。
論文 参考訳（メタデータ） (2024-03-13T03:10:11Z) - 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) - Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。
本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。
提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-11T16:10:12Z) - Graph Mining for Cybersecurity: A Survey [61.505995908021525]
マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。
従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。
グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
論文 参考訳（メタデータ） (2023-04-02T08:43:03Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - Relational Graph Neural Networks for Fraud Detection in a Super-App
environment [53.561797148529664]
スーパーアプリケーションの金融サービスにおける不正行為防止のための関係グラフ畳み込みネットワーク手法の枠組みを提案する。
我々は,グラフニューラルネットワークの解釈可能性アルゴリズムを用いて,ユーザの分類タスクに対する最も重要な関係を判定する。
以上の結果から,Super-Appの代替データと高接続性で得られるインタラクションを利用するモデルには,付加価値があることが示唆された。
論文 参考訳（メタデータ） (2021-07-29T00:02:06Z) - Explainable Adversarial Attacks in Deep Neural Networks Using Activation
Profiles [69.9674326582747]
本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。
これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
論文 参考訳（メタデータ） (2021-03-18T13:04:21Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z)
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。