論文の概要: Language Models for Novelty Detection in System Call Traces

• arxiv url: http://arxiv.org/abs/2309.02206v1
• Date: Tue, 5 Sep 2023 13:11:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 14:43:13.275702
• Title: Language Models for Novelty Detection in System Call Traces
• Title（参考訳）: システムコールトレースにおける新規検出のための言語モデル
• Authors: Quentin Fournier, Daniel Aloise, Leandro R. Costa
• Abstract要約: 本稿では,システムコールのシーケンスの確率分布に依存する新規性検出手法を提案する。 提案手法は手作りを最小限に抑え、多くの新規品においてFスコアとAuROCを95%以上達成する。 ソースコードとトレーニングされたモデルはGitHubで公開されており、データセットはZenodoで公開されている。
• 参考スコア（独自算出の注目度）: 0.27309692684728604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the complexity of modern computer systems, novel and unexpected behaviors frequently occur. Such deviations are either normal occurrences, such as software updates and new user activities, or abnormalities, such as misconfigurations, latency issues, intrusions, and software bugs. Regardless, novel behaviors are of great interest to developers, and there is a genuine need for efficient and effective methods to detect them. Nowadays, researchers consider system calls to be the most fine-grained and accurate source of information to investigate the behavior of computer systems. Accordingly, this paper introduces a novelty detection methodology that relies on a probability distribution over sequences of system calls, which can be seen as a language model. Language models estimate the likelihood of sequences, and since novelties deviate from previously observed behaviors by definition, they would be unlikely under the model. Following the success of neural networks for language models, three architectures are evaluated in this work: the widespread LSTM, the state-of-the-art Transformer, and the lower-complexity Longformer. However, large neural networks typically require an enormous amount of data to be trained effectively, and to the best of our knowledge, no massive modern datasets of kernel traces are publicly available. This paper addresses this limitation by introducing a new open-source dataset of kernel traces comprising over 2 million web requests with seven distinct behaviors. The proposed methodology requires minimal expert hand-crafting and achieves an F-score and AuROC greater than 95% on most novelties while being data- and task-agnostic. The source code and trained models are publicly available on GitHub while the datasets are available on Zenodo.
• Abstract（参考訳）: 現代のコンピュータシステムの複雑さのため、新しい行動や予期せぬ行動が頻繁に起こる。 このような逸脱は、ソフトウェア更新や新しいユーザアクティビティ、あるいは設定ミス、レイテンシの問題、侵入、ソフトウェアバグなどの異常などの通常の発生である。 いずれにせよ、新しい振る舞いは開発者にとって非常に興味を持ち、それらを検出するための効率的で効果的な方法の必要性があります。 今日では、研究者はシステムコールがコンピュータシステムの振る舞いを調べるための最もきめ細かい情報源であると考えている。 そこで本稿では,システムコールのシーケンス上の確率分布を言語モデルとしてとらえる手法を提案する。 言語モデルはシーケンスの確率を推定し、新奇性は定義によって以前に観察された行動から逸脱するので、モデルの下では不可能である。 言語モデルのためのニューラルネットワークの成功に続いて、広範にわたるlstm、最先端トランスフォーマ、低複雑さのlongformerという3つのアーキテクチャが評価されている。 しかし、大規模なニューラルネットワークは通常、効果的にトレーニングするために大量のデータを必要とし、私たちの知る限り、カーネルトレースの大規模な現代的なデータセットは公開されていない。 本稿では,7つの異なる動作を持つ200万以上のWebリクエストからなるカーネルトレースのオープンソースデータセットを導入することで,この制限に対処する。 提案手法では,データやタスクに依存しないf-scoreとaurocを95%以上の新規性で達成する。 ソースコードとトレーニングされたモデルはGitHubで公開されており、データセットはZenodoで公開されている。

関連論文リスト

• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• TEN-GUARD: Tensor Decomposition for Backdoor Attack Detection in Deep Neural Networks [3.489779105594534]
  本稿では,ネットワークアクティベーションに適用した2つのテンソル分解法によるバックドア検出手法を提案する。 これは、複数のモデルを同時に分析する機能など、既存の検出方法と比較して、多くの利点がある。 その結果,現在の最先端手法よりも,バックドアネットワークを高精度かつ効率的に検出できることがわかった。
  論文  参考訳（メタデータ） (2024-01-06T03:08:28Z)
• Online Evolutionary Neural Architecture Search for Multivariate Non-Stationary Time Series Forecasting [72.89994745876086]
  本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。 ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。 その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-20T22:25:47Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• Novel Applications for VAE-based Anomaly Detection Systems [5.065947993017157]
  深層生成モデリング(DGM)は、与えられたデータセットから始まり、新規で見えないデータを生成することができる。 この技術が有望な応用を示すにつれて、多くの倫理的問題がもたらされる。 研究は、異なるバイアスが深層学習モデルに影響を与え、誤った表現のような社会的問題を引き起こすことを示している。
  論文  参考訳（メタデータ） (2022-04-26T20:30:37Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
  本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。 モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。 ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
  論文  参考訳（メタデータ） (2022-01-14T00:16:57Z)
• TELESTO: A Graph Neural Network Model for Anomaly Classification in Cloud Services [77.454688257702]
  機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。 1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。 与えられたデータの次元変化に不変な手法を提案する。
  論文  参考訳（メタデータ） (2021-02-25T14:24:49Z)
• Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
  エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
  論文  参考訳（メタデータ） (2021-02-03T04:24:34Z)
• RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
  中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。 本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
  論文  参考訳（メタデータ） (2020-11-13T11:07:08Z)
• Feature Extraction for Novelty Detection in Network Traffic [18.687465197576415]
  データ表現は、機械学習における新規性検出手法の性能において重要な役割を果たす。 我々は、オープンソースのツール、付随するPythonライブラリ、ネットワークトラフィックの新規検出のためのエンドツーエンドパイプラインをリリースします。
  論文  参考訳（メタデータ） (2020-06-30T17:53:59Z)

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。