論文の概要: Twin Auto-Encoder Model for Learning Separable Representation in Cyberattack Detection

• arxiv url: http://arxiv.org/abs/2403.15509v2
• Date: Mon, 28 Apr 2025 22:51:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:51.690782
• Title: Twin Auto-Encoder Model for Learning Separable Representation in Cyberattack Detection
• Title（参考訳）: サイバー攻撃検出における分離表現学習のためのツインオートエンコーダモデル
• Authors: Phai Vu Dinh, Quang Uy Nguyen, Thai Hoang Dinh, Diep N. Nguyen, Bao Son Pham, Eryk Dutkiewicz,
• Abstract要約: 本稿では,Twin Auto-Encoder (TAE) と呼ばれる新しいディープラーニングアーキテクチャ/モデルを提案する。 TAEはまず入力データを潜在空間にマッピングし、次に決定論的に異なるクラスのデータサンプルをさらに切り離して分離可能なデータ表現を生成する。 TAEは、最先端モデルと比較して、攻撃検出の精度とFスコアを約2%向上させる。
• 参考スコア（独自算出の注目度）: 21.581155557707632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representation learning (RL) methods for cyberattack detection face the diversity and sophistication of attack data, leading to the issue of mixed representations of different classes, particularly as the number of classes increases. To address this, the paper proposes a novel deep learning architecture/model called the Twin Auto-Encoder (TAE). TAE first maps the input data into latent space and then deterministically shifts data samples of different classes further apart to create separable data representations, referred to as representation targets. TAE's decoder then projects the input data into these representation targets. After training, TAE's decoder extracts data representations. TAE's representation target serves as a novel dynamic codeword, which refers to the vector that represents a specific class. This vector is updated after each training epoch for every data sample, in contrast to the conventional fixed codeword that does not incorporate information from the input data. We conduct extensive experiments on diverse cybersecurity datasets, including seven IoT botnet datasets, two network IDS datasets, three malware datasets, one cloud DDoS dataset, and ten artificial datasets as the number of classes increases. TAE boosts accuracy and F-score in attack detection by around 2% compared to state-of-the-art models, achieving up to 96.1% average accuracy in IoT attack detection. Additionally, TAE is well-suited for cybersecurity applications and potentially for IoT systems, with a model size of approximately 1 MB and an average running time of around 2.6E-07 seconds for extracting a data sample.
• Abstract（参考訳）: サイバー攻撃検出のための表現学習(Representation Learning, RL)手法は、攻撃データの多様性と高度化に直面しており、特にクラス数が増加するにつれて、様々なクラスの混合表現が問題となる。 そこで本研究では,Twin Auto-Encoder (TAE) と呼ばれる新しいディープラーニングアーキテクチャ/モデルを提案する。 TAEはまず入力データを潜在空間にマッピングし、次に決定論的に異なるクラスのデータサンプルを分離して、表現対象と呼ばれる分離可能なデータ表現を生成する。 TAEのデコーダは入力データをこれらの表現ターゲットに投影する。 トレーニング後、TAEのデコーダはデータ表現を抽出する。 TAEの表現対象は、特定のクラスを表すベクトルを指す新しい動的コードワードとして機能する。 このベクトルは、入力データから情報を含まない従来の固定コードワードとは対照的に、各データサンプルのトレーニングエポック後に更新される。 7つのIoTボットネットデータセット、2つのネットワークIDSデータセット、3つのマルウェアデータセット、1つのクラウドDDoSデータセット、10つの人工データセットを含む、多様なサイバーセキュリティデータセットに関する広範な実験を行います。 TAEは、最先端のモデルと比較して、攻撃検出の精度とFスコアを約2%向上させ、IoT攻撃検出の平均精度は96.1%に達する。 さらに、TAEはサイバーセキュリティアプリケーションやIoTシステムに適しており、モデルサイズは約1MB、平均実行時間は2.6E-07秒でデータサンプルを抽出する。

関連論文リスト

• Impact of Latent Space Dimension on IoT Botnet Detection Performance: VAE-Encoder Versus ViT-Encoder [0.0]
  本研究は,列車データセットの潜時ベクトル表現を訓練した場合,潜時次元が異なる深層学習分類器の性能に与える影響について検討する。 CSV IoTボットネットトラフィックデータセットを様々な潜在サイズに投影するために、エンコーダコンポーネントが使用される。
  論文  参考訳（メタデータ） (2025-04-21T06:15:07Z)
• Towards Characterizing Cyber Networks with Large Language Models [0.0]
  我々は,Cyber Log Embeddings Model (CLEM)と呼ばれるプロトタイプツールを用いて,サイバーデータの潜在的特徴を用いて異常を発見する。 CLEMは、現実世界のプロダクションネットワークとIoT(Internet of Things)のサイバーセキュリティテストベッドの両方からのZeekネットワークトラフィックログに基づいてトレーニングされた。
  論文  参考訳（メタデータ） (2024-11-11T16:09:13Z)
• AI-Generated Video Detection via Spatio-Temporal Anomaly Learning [2.1210527985139227]
  ユーザは、偽情報を拡散するために、既存のないビデオを簡単に作成できる。 モデルトレーニングと評価のためのベンチマークとして,大規模ビデオデータセット(GVD)を構築した。
  論文  参考訳（メタデータ） (2024-03-25T11:26:18Z)
• Multiple-Input Auto-Encoder Guided Feature Selection for IoT Intrusion Detection Systems [30.16714420093091]
  本稿ではまず,Multiple-Input Auto-Encoder (MIAE)と呼ばれる新しいニューラルネットワークアーキテクチャを紹介する。 MIAEは複数のサブエンコーダで構成されており、異なる特性を持つ異なるソースからの入力を処理できる。 より関連性の高い機能を排除し、保持するために、トレーニングプロセスにおいて重要/冗長でないものを取り除くために、我々はさらに機能選択層を設計し、組み込む。 この層は表現ベクトルにおける特徴の重要性を学習し、表現ベクトルから情報的特徴の選択を容易にする。
  論文  参考訳（メタデータ） (2024-03-22T03:54:04Z)
• Energy-Efficient Edge Learning via Joint Data Deepening-and-Prefetching [9.468399367975984]
  我々は、JD2P(Joint Data Deepening-and-Prefetching)と呼ばれる新しいオフロードアーキテクチャを提案する。 JD2Pは2つの主要な技術からなる機能ごとのオフロードである。 MNISTデータセットを用いてJD2Pの有効性を評価する。
  論文  参考訳（メタデータ） (2024-02-19T08:12:47Z)
• Analysis and Detection against Network Attacks in the Overlapping Phenomenon of Behavior Attribute [6.037603797518956]
  本稿では,WGAN-GP(Wasserstein-Generative-Adversarial-Network-with-Gradient-Penalty)を用いた深層学習に基づくマルチラベル検出モデルを提案する。 実験により,MDD-Modelは優れた分類性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-13T01:59:26Z)
• DiffusionEngine: Diffusion Model is Scalable Data Engine for Object Detection [41.436817746749384]
  Diffusion Modelはオブジェクト検出のためのスケーラブルなデータエンジンである。 DiffusionEngine(DE)は、高品質な検出指向のトレーニングペアを単一のステージで提供する。
  論文  参考訳（メタデータ） (2023-09-07T17:55:01Z)
• Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
  2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。 我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。 得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
  論文  参考訳（メタデータ） (2022-11-16T21:55:05Z)
• Zero Day Threat Detection Using Metric Learning Autoencoders [3.1965908200266173]
  企業ネットワークへのゼロデイ脅威(ZDT)の拡散は、非常にコストがかかる。 ディープラーニング手法は、高度に非線形な振る舞いパターンをキャプチャする能力にとって魅力的な選択肢である。 ここで提示されるモデルは、さらに2つのデータセットでトレーニングされ、評価され、新しいネットワークトポロジに一般化しても、有望な結果を示し続ける。
  論文  参考訳（メタデータ） (2022-11-01T13:12:20Z)
• A White-Box Adversarial Attack Against a Digital Twin [0.0]
  本稿では,敵対的攻撃に対するDigital Twin(DT)の感受性について検討する。 まず、ディープニューラルネットワークアーキテクチャを用いて車両システムのDTを定式化し、それから敵攻撃を開始する。 トレーニングされたモデルへの入力を摂動させることでDTモデルを攻撃し、ホワイトボックスアタックによってモデルがいかに簡単に破られるかを示す。
  論文  参考訳（メタデータ） (2022-10-25T13:41:02Z)
• CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
  本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。 このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。 本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
  論文  参考訳（メタデータ） (2022-06-09T09:17:38Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Defending Variational Autoencoders from Adversarial Attacks with MCMC [74.36233246536459]
  変分オートエンコーダ(VAE)は、様々な領域で使用される深部生成モデルである。 以前の研究が示すように、視覚的にわずかに修正された入力に対する予期せぬ潜在表現と再構成を生成するために、VAEを簡単に騙すことができる。 本稿では, 敵攻撃構築のための目的関数について検討し, モデルのロバスト性を評価する指標を提案し, 解決策を提案する。
  論文  参考訳（メタデータ） (2022-03-18T13:25:18Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unsupervised Domain Adaptive Learning via Synthetic Data for Person Re-identification [101.1886788396803]
  人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。 残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。 本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
  論文  参考訳（メタデータ） (2021-09-12T15:51:41Z)
• Hierarchical Variational Autoencoder for Visual Counterfactuals [79.86967775454316]
  条件変量オート(VAE)は、説明可能な人工知能(XAI)ツールとして注目されている。 本稿では, 後部の効果がいかに緩和され, 対物的効果が成功するかを示す。 本稿では,アプリケーション内の分類器を視覚的に監査できる階層型VAEについて紹介する。
  論文  参考訳（メタデータ） (2021-02-01T14:07:11Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)
• Neural Data Server: A Large-Scale Search Engine for Transfer Learning Data [78.74367441804183]
  我々は,ターゲットドメインに最も有用な転送学習データを見つけるための大規模検索エンジンであるNeural Data Server (NDS)を紹介した。 NDSは、いくつかの人気のある画像データセットをインデックスするデータサーバで構成され、クライアントにデータを推奨することを目的としている。 我々は,NDSが様々な伝達学習シナリオにおいて有効であることを示し,複数のターゲットデータセットに対して最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-01-09T01:21:30Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。