論文の概要: MAD-MulW: A Multi-Window Anomaly Detection Framework for BGP Security Events

• arxiv url: http://arxiv.org/abs/2312.11225v1
• Date: Mon, 18 Dec 2023 14:19:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 11:57:39.070375
• Title: MAD-MulW: A Multi-Window Anomaly Detection Framework for BGP Security Events
• Title（参考訳）: MAD-MulW:BGPセキュリティイベントのためのマルチウィンドウ異常検出フレームワーク
• Authors: Songtao Peng, Yiping Chen, Xincheng Shu, Wu Shuai, Shenhao Fang, Zhongyuan Ruan, Qi Xuan,
• Abstract要約: BGPベースのイベント監視は、国際イベントの差分解析を可能にする。 マルチウィンドウ・シリアル・フレームワークを組み込んだ教師なし異常検出モデルMAD-MulWを提案する。 本モデルは, 平均F1スコアが90%を超える複数のBGP異常事象に対して実験的に検証されている。
• 参考スコア（独自算出の注目度）: 5.46189969246928
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, various international security events have occurred frequently and interacted between real society and cyberspace. Traditional traffic monitoring mainly focuses on the local anomalous status of events due to a large amount of data. BGP-based event monitoring makes it possible to perform differential analysis of international events. For many existing traffic anomaly detection methods, we have observed that the window-based noise reduction strategy effectively improves the success rate of time series anomaly detection. Motivated by this observation, we propose an unsupervised anomaly detection model, MAD-MulW, which incorporates a multi-window serial framework. Firstly, we design the W-GAT module to adaptively update the sample weights within the window and retain the updated information of the trailing sample, which not only reduces the outlier samples' noise but also avoids the space consumption of data scale expansion. Then, the W-LAT module based on predictive reconstruction both captures the trend of sample fluctuations over a certain period of time and increases the interclass variation through the reconstruction of the predictive sample. Our model has been experimentally validated on multiple BGP anomalous events with an average F1 score of over 90\%, which demonstrates the significant improvement effect of the stage windows and adaptive strategy on the efficiency and stability of the timing model.
• Abstract（参考訳）: 近年、様々な国際セキュリティイベントが頻繁に発生し、実際の社会とサイバースペースの間で交流している。 従来の交通監視は主に大量のデータのために、イベントの局所的な異常な状態に焦点を当てている。 BGPベースのイベント監視は、国際イベントの差分解析を可能にする。 既存の多くのトラフィック異常検出手法において,ウィンドウベースノイズ低減手法が時系列異常検出の成功率を効果的に向上することを示した。 そこで本研究では,マルチウィンドウ・シリアル・フレームワークを組み込んだ教師なし異常検出モデルMAD-MulWを提案する。 まず、W-GATモジュールを設計し、ウィンドウ内のサンプル重量を適応的に更新し、後続サンプルの更新情報を保持する。 そして、予測再構成に基づくW-LATモジュールは、それぞれ一定期間にわたってサンプル変動の傾向を捉え、予測サンプルの再構成によりクラス間変動を増加させる。 実験により,複数のBGP異常事象に対して平均F1スコアが90\%を超える実験を行い,ステージウィンドウの大幅な改善効果とタイミングモデルの効率と安定性に対する適応戦略を示した。

関連論文リスト

• Abnormality Forecasting: Time Series Anomaly Prediction via Future Context Modeling [30.87477150049186]
  時系列データから異常を識別することは、インフラのセキュリティ、インテリジェントな運用とメンテナンス、宇宙探査など、様々な分野で重要な役割を果たしている。 現在の研究では、異常発生後の異常の検出に焦点が当てられている。 本研究では,より実用的で非常に困難な問題である時系列異常予測について検討し,発生前の異常事象を早期に警告することを目的とした。
  論文  参考訳（メタデータ） (2024-10-16T04:00:00Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Test-Time Compensated Representation Learning for Extreme Traffic Forecasting [13.859278899032846]
  混雑とラッシュアワーは、隣接する時間帯に様々な交差点で車両の速度の相関が低くなる可能性がある。 既存の手法では、テストフェーズ中に、最近および完全に分解されたトレーニングデータに基づいて、将来のシリーズを予測するのが一般的である。 マルチヘッド空間トランスモデルを用いたテスト時間表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-16T18:46:34Z)
• Abnormal Event Detection via Hypergraph Contrastive Learning [54.80429341415227]
  異常事象検出は多くの実アプリケーションにおいて重要な役割を果たす。 本稿では,分散異種情報ネットワークにおける異常事象検出問題について検討する。 AEHCLと呼ばれる新しいハイパーグラフコントラスト学習法が,異常事象のパターンをフルに捉えるために提案されている。
  論文  参考訳（メタデータ） (2023-04-02T08:23:20Z)
• A Multi-View Framework for BGP Anomaly Detection via Graph Attention Network [4.120328427084187]
  BGP(Border Gateway Protocols)は、インターネット上のルーティング到達可能性情報を交換するためのデフォルトプロトコルである。 BGP異常検出モデルは、リアルタイム監視とアラート機能を通じて、インターネット上の安定したルーティングサービスを保証する。
  論文  参考訳（メタデータ） (2021-12-23T05:03:52Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• A Multi-Channel Neural Graphical Event Model with Negative Evidence [76.51278722190607]
  イベントデータセットは、タイムライン上で不規則に発生するさまざまなタイプのイベントのシーケンスである。 基礎となる強度関数を推定するために,非パラメトリックディープニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2020-02-21T23:10:50Z)

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。