論文の概要: A hybrid IndRNNLSTM approach for real-time anomaly detection in software-defined networks

• arxiv url: http://arxiv.org/abs/2402.05943v1
• Date: Fri, 2 Feb 2024 20:41:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-18 14:34:14.903051
• Title: A hybrid IndRNNLSTM approach for real-time anomaly detection in software-defined networks
• Title（参考訳）: ソフトウェア定義ネットワークにおけるリアルタイム異常検出のためのハイブリッドIndRNNLSTMアプローチ
• Authors: Sajjad Salem, Salman Asoudeh
• Abstract要約: データフロー予測を用いたSDNの異常検出は難しい作業である。 IndRNNLSTMアルゴリズムは Embedded と組み合わせて、NSL-KDDデータ上で MAE=1.22 と RMSE=9.92 を達成することができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly detection in SDN using data flow prediction is a difficult task. This problem is included in the category of time series and regression problems. Machine learning approaches are challenging in this field due to the manual selection of features. On the other hand, deep learning approaches have important features due to the automatic selection of features. Meanwhile, RNN-based approaches have been used the most. The LSTM and GRU approaches learn dependent entities well; on the other hand, the IndRNN approach learns non-dependent entities in time series. The proposed approach tried to use a combination of IndRNN and LSTM approaches to learn dependent and non-dependent features. Feature selection approaches also provide a suitable view of features for the models; for this purpose, four feature selection models, Filter, Wrapper, Embedded, and Autoencoder were used. The proposed IndRNNLSTM algorithm, in combination with Embedded, was able to achieve MAE=1.22 and RMSE=9.92 on NSL-KDD data.
• Abstract（参考訳）: データフロー予測を用いたSDNの異常検出は難しい作業である。 この問題は時系列問題と回帰問題のカテゴリに含まれる。 この分野では、手動で機能を選択するため、機械学習アプローチが難しい。 一方で、ディープラーニングアプローチには、機能の自動選択による重要な機能がある。 一方、RNNベースのアプローチが最も多く使用されている。 LSTMとGRUアプローチは依存エンティティをよく学習するが、IndRNNアプローチは時系列で非依存エンティティを学習する。 提案手法では,IndRNNとLSTMを併用して,依存機能と非依存機能を学習する。 この目的のために、Filter、Wrapper、Embeded、Autoencoderの4つの機能選択モデルが使用された。 提案した IndRNNLSTM アルゴリズムは Embedded と組み合わせて,NSL-KDD のデータに対して MAE=1.22 と RMSE=9.92 を達成することができた。

関連論文リスト

• A model for multi-attack classification to improve intrusion detection performance using deep learning approaches [0.0]
  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。
  論文  参考訳（メタデータ） (2023-10-25T05:38:44Z)
• Generalized adaptive smoothing based neural network architecture for traffic state estimation [1.0312968200748118]
  適応平滑化法(Adaptive smoothing method, ASM)は、トラフィック状態推定に使用される標準データ駆動方式である。 そこで我々は,道路センサからスパースデータから学習することで,パラメータを自動的に調整するASMに基づくニューラルネットワークを提案する。 実験の結果,ASNNとMASNNは従来のASMよりも優れていた。
  論文  参考訳（メタデータ） (2023-01-09T15:40:45Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Reverse engineering recurrent neural networks with Jacobian switching linear dynamical systems [24.0378100479104]
  リカレントニューラルネットワーク(RNN)は時系列データを処理する強力なモデルである。 トレーニングされたRNNをその固定点を中心に線形化することでリバースエンジニアリングするフレームワークは洞察を与えてきたが、アプローチには大きな課題がある。 本稿では,新しい線形力学系 (SLDS) の定式化によるRNNの協調学習により,これらの制約を克服する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-11-01T20:49:30Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Feature Selection for Multivariate Time Series via Network Pruning [2.2559617939136505]
  MTSデータの特徴選択のためのエンドツーエンドソリューションとして,ニューラル・フィーチャー・セレクタ(NFS)と呼ばれる新しいニューラル・コンポーネントを提案する。 NFSは畳み込み設計に基づいており、2つのモジュールを含んでいる。 提案したNFSモデルを実世界の4つのMSSデータセット上で評価した結果,最先端の手法で同等の結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-02-11T14:33:39Z)
• A Meta-Learning Approach to the Optimal Power Flow Problem Under Topology Reconfigurations [69.73803123972297]
  メタラーニング(MTL)アプローチを用いて訓練されたDNNベースのOPF予測器を提案する。 開発したOPF予測器はベンチマークIEEEバスシステムを用いてシミュレーションにより検証される。
  論文  参考訳（メタデータ） (2020-12-21T17:39:51Z)
• An Online Learning Algorithm for a Neuro-Fuzzy Classifier with Mixed-Attribute Data [9.061408029414455]
  General Fuzzy min-max Neural Network (GFMMNN) は、データ分類のための効率的な神経ファジィシステムの一つである。 本稿ではGFMMNNのための拡張オンライン学習アルゴリズムを提案する。 提案手法は連続的特徴と分類的特徴の両方でデータセットを処理できる。
  論文  参考訳（メタデータ） (2020-09-30T13:45:36Z)
• Neural Architecture Search For LF-MMI Trained Time Delay Neural Networks [61.76338096980383]
  TDNN(State-of-the-the-art Factored Time delay Neural Network)の2種類のハイパーパラメータを自動的に学習するために、さまざまなニューラルネットワークサーチ(NAS)技術が使用されている。 DARTSメソッドはアーキテクチャ選択とLF-MMI(格子のないMMI)TDNNトレーニングを統合する。 300時間のSwitchboardコーパスで行われた実験では、自動構成システムはベースラインLF-MMI TDNNシステムより一貫して優れていることが示唆された。
  論文  参考訳（メタデータ） (2020-07-17T08:32:11Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。