論文の概要: A model for multi-attack classification to improve intrusion detection
performance using deep learning approaches
- arxiv url: http://arxiv.org/abs/2310.16380v1
- Date: Wed, 25 Oct 2023 05:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 16:40:33.394909
- Title: A model for multi-attack classification to improve intrusion detection
performance using deep learning approaches
- Title（参考訳）: 深層学習を用いた侵入検知性能向上のためのマルチアタック分類モデル
- Authors: Arun Kumar Silivery, Ram Mohan Rao Kovvur
- Abstract要約: ここでの目的は、悪意のある攻撃を識別するための信頼性の高い侵入検知メカニズムを作ることである。
ディープラーニングベースのソリューションフレームワークは、3つのアプローチから成り立っている。
最初のアプローチは、adamax、SGD、adagrad、adam、RMSprop、nadam、adadeltaといった7つの機能を持つLong-Short Term Memory Recurrent Neural Network (LSTM-RNN)である。
モデルは特徴を自己学習し、攻撃クラスをマルチアタック分類として分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This proposed model introduces novel deep learning methodologies. The
objective here is to create a reliable intrusion detection mechanism to help
identify malicious attacks. Deep learning based solution framework is developed
consisting of three approaches. The first approach is Long-Short Term Memory
Recurrent Neural Network (LSTM-RNN) with seven optimizer functions such as
adamax, SGD, adagrad, adam, RMSprop, nadam and adadelta. The model is evaluated
on NSL-KDD dataset and classified multi attack classification. The model has
outperformed with adamax optimizer in terms of accuracy, detection rate and low
false alarm rate. The results of LSTM-RNN with adamax optimizer is compared
with existing shallow machine and deep learning models in terms of accuracy,
detection rate and low false alarm rate. The multi model methodology consisting
of Recurrent Neural Network (RNN), Long-Short Term Memory Recurrent Neural
Network (LSTM-RNN), and Deep Neural Network (DNN). The multi models are
evaluated on bench mark datasets such as KDD99, NSL-KDD, and UNSWNB15 datasets.
The models self-learnt the features and classifies the attack classes as
multi-attack classification. The models RNN, and LSTM-RNN provide considerable
performance compared to other existing methods on KDD99 and NSL-KDD dataset
- Abstract（参考訳）: 本モデルでは,新しい深層学習手法を提案する。
目的は、悪意のある攻撃を特定するのに役立つ、信頼できる侵入検知メカニズムを作ることである。
ディープラーニングベースのソリューションフレームワークは、3つのアプローチで構成される。
最初のアプローチは、adamax、SGD、adagrad、adam、RMSprop、nadam、adadeltaといった7つのオプティマイザ機能を備えたLong-Short Term Memory Recurrent Neural Network (LSTM-RNN)である。
モデルはNSL-KDDデータセットと分類多重攻撃分類に基づいて評価される。
このモデルは、精度、検出率、誤報率の点でadamaxオプティマイザよりも優れています。
アダマックスオプティマイザを用いたLSTM-RNNの結果は、精度、検出率、誤警報率の低い既存の浅層機械およびディープラーニングモデルと比較される。
Recurrent Neural Network (RNN)、Long-Short Term Memory Recurrent Neural Network (LSTM-RNN)、Deep Neural Network (DNN)からなるマルチモデル手法。
マルチモデルは、KDD99、NSL-KDD、UNSWNB15データセットなどのベンチマークデータセットで評価される。
モデルは特徴を自己学習し、攻撃クラスをマルチアタック分類として分類する。
モデル RNN と LSTM-RNN は KDD99 および NSL-KDD データセット上の他の既存手法と比較してかなり性能が良い。
関連論文リスト
- Layer-wise Linear Mode Connectivity [52.6945036534469]
ニューラルネットワークパラメータの平均化は、2つの独立したモデルの知識の直感的な方法である。
フェデレートラーニングにおいて最も顕著に用いられている。
私たちは、単一グループやグループを平均化するモデルの性能を分析します。
論文 参考訳（メタデータ） (2023-07-13T09:39:10Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳（メタデータ） (2023-04-14T09:39:06Z) - Training High-Performance Low-Latency Spiking Neural Networks by
Differentiation on Spike Representation [70.75043144299168]
スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。
非分化性のため、SNNを効率的に訓練することは困難である。
本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
論文 参考訳（メタデータ） (2022-05-01T12:44:49Z) - Parameter estimation for WMTI-Watson model of white matter using
encoder-decoder recurrent neural network [0.0]
本研究では,ラットおよびヒト脳のデータセット上でのNLLS,RNN法および多層パーセプトロン(MLP)の性能を評価する。
提案手法は,NLLSよりも計算時間を大幅に短縮できるという利点を示した。
論文 参考訳（メタデータ） (2022-03-01T16:33:15Z) - Supervised Training of Siamese Spiking Neural Networks with Earth's
Mover Distance [4.047840018793636]
本研究は,高可逆性シアムニューラルネットモデルをイベントデータ領域に適応させる。
我々はスパイク・トレインとスパイク・ニューラル・ネットワーク(SNN)の間の地球のモーバー距離を最適化するための教師付きトレーニング・フレームワークを導入する。
論文 参考訳（メタデータ） (2022-02-20T00:27:57Z) - ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked
Models [56.21470608621633]
本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。
提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。
生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
論文 参考訳（メタデータ） (2021-05-07T11:39:05Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - Auditory Attention Decoding from EEG using Convolutional Recurrent
Neural Network [20.37214453938965]
聴覚注意復号(aad)アプローチは,マルチトーカーシナリオにおいて参加者のアイデンティティを判定するために提案されている。
近年,この問題を解決するためにディープニューラルネットワーク(DNN)に基づくモデルが提案されている。
本論文では,新しい畳み込み型リカレントニューラルネットワーク(CRNN)に基づく回帰モデルと分類モデルを提案する。
論文 参考訳（メタデータ） (2021-03-03T05:09:40Z) - Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。
このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる
このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文 参考訳（メタデータ） (2020-03-13T13:11:35Z) - Model Extraction Attacks against Recurrent Neural Networks [1.2891210250935146]
繰り返しニューラルネットワーク(RNN)に対するモデル抽出攻撃の脅威について検討する。
長い短期記憶(LSTM)から単純なRNNを用いて精度の高いモデルを抽出できるかどうかを論じる。
次に、特に損失関数とより複雑なアーキテクチャを構成することにより、精度の高いモデルを効率的に抽出できることを示す。
論文 参考訳（メタデータ） (2020-02-01T01:47:50Z)
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。