論文の概要: Network-Aware AutoML Framework for Software-Defined Sensor Networks
- arxiv url: http://arxiv.org/abs/2310.12914v2
- Date: Wed, 25 Oct 2023 23:24:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-28 04:30:26.298728
- Title: Network-Aware AutoML Framework for Software-Defined Sensor Networks
- Title(参考訳): センサネットワークのためのネットワーク対応AutoMLフレームワーク
- Authors: Emre Horsanali, Yagmur Yigit, Gokhan Secinti, Aytac Karameseoglu, and
Berk Canberk
- Abstract要約: ソフトウェア定義センサネットワークにおけるDDoS攻撃を検出するネットワーク対応自動機械学習(AutoML)フレームワークを提案する。
本フレームワークは,ネットワーク制約環境下でのDDoS攻撃を検出するための機械学習アルゴリズムを選択する。
- 参考スコア(独自算出の注目度): 3.050185169010028
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As the current detection solutions of distributed denial of service attacks
(DDoS) need additional infrastructures to handle high aggregate data rates,
they are not suitable for sensor networks or the Internet of Things. Besides,
the security architecture of software-defined sensor networks needs to pay
attention to the vulnerabilities of both software-defined networks and sensor
networks. In this paper, we propose a network-aware automated machine learning
(AutoML) framework which detects DDoS attacks in software-defined sensor
networks. Our framework selects an ideal machine learning algorithm to detect
DDoS attacks in network-constrained environments, using metrics such as
variable traffic load, heterogeneous traffic rate, and detection time while
preventing over-fitting. Our contributions are two-fold: (i) we first
investigate the trade-off between the efficiency of ML algorithms and
network/traffic state in the scope of DDoS detection. (ii) we design and
implement a software architecture containing open-source network tools, with
the deployment of multiple ML algorithms. Lastly, we show that under the denial
of service attacks, our framework ensures the traffic packets are still
delivered within the network with additional delays.
- Abstract(参考訳): 現在のddos(distributed denial of service attack)検出ソリューションは、高集約データレートを処理するための追加のインフラストラクチャを必要とするため、センサネットワークやモノのインターネットには適していない。
さらに、ソフトウェア定義センサネットワークのセキュリティアーキテクチャは、ソフトウェア定義ネットワークとセンサーネットワークの両方の脆弱性に注意を払う必要がある。
本稿では,ソフトウェア定義センサネットワークにおけるDDoS攻撃を検出するネットワーク対応自動機械学習(AutoML)フレームワークを提案する。
ネットワークに制約のある環境でのDDoS攻撃を,可変トラフィック負荷,異種トラフィック率,検出時間などの指標を用いて検出する,理想的な機械学習アルゴリズムを選択する。
私たちの貢献は2つあります。
i) DDoS検出範囲におけるMLアルゴリズムの効率性とネットワーク/トラヒック状態とのトレードオフをまず検討する。
(II)複数のMLアルゴリズムを配置し,オープンソースネットワークツールを含むソフトウェアアーキテクチャの設計と実装を行う。
最後に、サービス攻撃の否定の下で、当社のフレームワークは、追加の遅延でネットワーク内でトラフィックパケットが配信されるようにします。
関連論文リスト
- Preliminary study on artificial intelligence methods for cybersecurity threat detection in computer networks based on raw data packets [34.82692226532414]
本稿では,ネットワークトラフィック内の生パケットデータから直接リアルタイムに攻撃を検知できるディープラーニング手法について検討する。
コンピュータビジョンモデルを用いた処理に適した2次元画像表現を用いて,パケットをウィンドウに積み重ねて別々に認識する手法を提案する。
論文 参考訳(メタデータ) (2024-07-24T15:04:00Z) - A Flow is a Stream of Packets: A Stream-Structured Data Approach for DDoS Detection [32.22817720403158]
本稿では,フローをストリーム構造として動作させる新しいツリーベースDDoS検出手法を提案する。
我々のアプローチは、最先端のディープラーニング手法を含む既存の機械学習技術の精度と一致しているか、あるいは超えている。
論文 参考訳(メタデータ) (2024-05-12T09:29:59Z) - RIDE: Real-time Intrusion Detection via Explainable Machine Learning
Implemented in a Memristor Hardware Architecture [24.824596231020585]
本稿では、パケットの任意の長さのシーケンスをよりコンパクトな結合機能埋め込みに統合するために、リカレントオートエンコーダを利用するパケットレベルのネットワーク侵入検出ソリューションを提案する。
提案手法は,パケットレベルで高い検出精度で,極めて効率的かつリアルタイムな解が得られることを示す。
論文 参考訳(メタデータ) (2023-11-27T17:30:19Z) - Detection of DDoS Attacks in Software Defined Networking Using Machine
Learning Models [0.6193838300896449]
本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。
その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
論文 参考訳(メタデータ) (2023-03-11T22:56:36Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳(メタデータ) (2022-10-14T12:35:32Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳(メタデータ) (2021-11-02T05:58:07Z) - TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。
我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。
TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文 参考訳(メタデータ) (2021-03-10T19:03:38Z) - Darknet Traffic Big-Data Analysis and Network Management to Real-Time
Automating the Malicious Intent Detection Process by a Weight Agnostic Neural
Networks Framework [0.0]
悪意の検出プロセスをリアルタイムに自動化する新しいダークネットトラフィック解析とネットワーク管理フレームワークを提案する。
ネットワークトラフィック分析、マルウェアトラフィックの復号化、リアルタイムの暗号化トラフィック識別のための、効果的で正確な計算知能ツールである。
論文 参考訳(メタデータ) (2021-02-16T19:03:25Z) - Enabling certification of verification-agnostic networks via
memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。
L-inf の精度は 1% から 88% ,6% から 40% に改善した。
また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文 参考訳(メタデータ) (2020-10-22T12:32:29Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Machine Learning based Anomaly Detection for 5G Networks [0.0]
本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。
SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
論文 参考訳(メタデータ) (2020-03-07T00:17:08Z)
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。