Fugu-MT 論文翻訳(概要): Multi-agent Reinforcement Learning-based Network Intrusion Detection System

論文の概要: Multi-agent Reinforcement Learning-based Network Intrusion Detection System

arxiv url: http://arxiv.org/abs/2407.05766v1
Date: Mon, 8 Jul 2024 09:18:59 GMT
ステータス: 処理完了
システム内更新日: 2024-07-09 16:20:46.807023
Title: Multi-agent Reinforcement Learning-based Network Intrusion Detection System
Title（参考訳）: マルチエージェント強化学習に基づくネットワーク侵入検知システム
Authors: Amine Tellache, Amdjed Mokhtari, Abdelaziz Amara Korba, Yacine Ghamri-Doudane,
Abstract要約: 侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
参考スコア（独自算出の注目度）: 3.4636217357968904
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Intrusion Detection Systems (IDS) play a crucial role in ensuring the security of computer networks. Machine learning has emerged as a popular approach for intrusion detection due to its ability to analyze and detect patterns in large volumes of data. However, current ML-based IDS solutions often struggle to keep pace with the ever-changing nature of attack patterns and the emergence of new attack types. Additionally, these solutions face challenges related to class imbalance, where the number of instances belonging to different classes (normal and intrusions) is significantly imbalanced, which hinders their ability to effectively detect minor classes. In this paper, we propose a novel multi-agent reinforcement learning (RL) architecture, enabling automatic, efficient, and robust network intrusion detection. To enhance the capabilities of the proposed model, we have improved the DQN algorithm by implementing the weighted mean square loss function and employing cost-sensitive learning techniques. Our solution introduces a resilient architecture designed to accommodate the addition of new attacks and effectively adapt to changes in existing attack patterns. Experimental results realized using CIC-IDS-2017 dataset, demonstrate that our approach can effectively handle the class imbalance problem and provide a fine grained classification of attacks with a very low false positive rate. In comparison to the current state-of-the-art works, our solution demonstrates a significant superiority in both detection rate and false positive rate.
Abstract（参考訳）: 侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。機械学習は、大量のデータのパターンを分析し検出する能力によって、侵入検知の一般的なアプローチとして登場した。しかし、現在のMLベースのIDSソリューションは、常に変化する攻撃パターンの性質と新しい攻撃タイプの出現に追随するのに苦労することが多い。さらに、これらの解はクラス不均衡に関連する問題に直面しており、異なるクラスに属するインスタンス(通常および侵入)の数が著しく不均衡であり、マイナークラスを効果的に検出する能力を妨げる。本稿では,自動,効率的,堅牢なネットワーク侵入検出を可能にする,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。提案モデルの性能向上のために,重み付き平均二乗損失関数を実装し,コスト依存学習技術を用いてDQNアルゴリズムを改良した。我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。 CIC-IDS-2017データセットを用いて得られた実験結果から,本手法はクラス不均衡問題に効果的に対処でき,攻撃のきめ細かい分類を極めて低い偽陽性率で実現できることが示された。現在の最先端技術と比較すると,本手法は検出率と偽陽性率の両方において有意な優位性を示す。

関連論文リスト

FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
論文参考訳（メタデータ） (2024-02-07T21:58:40Z)
Few-shot Weakly-supervised Cybersecurity Anomaly Detection [1.179179628317559]
本稿では,既存の弱教師付きディープラーニング異常検出フレームワークの強化を提案する。このフレームワークには、データ拡張、表現学習、順序回帰が含まれている。そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
論文参考訳（メタデータ） (2023-04-15T04:37:54Z)
Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文参考訳（メタデータ） (2022-06-14T04:55:11Z)
Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
論文参考訳（メタデータ） (2022-03-25T19:57:19Z)
Deep Q-Learning based Reinforcement Learning Approach for Network Intrusion Detection [1.7205106391379026]
本稿では,Qラーニングに基づく強化学習と,ネットワーク侵入検出のためのディープフィードフォワードニューラルネットワークを併用したネットワーク侵入検出手法を提案する。提案するDeep Q-Learning(DQL)モデルは,ネットワーク環境に対する継続的な自動学習機能を提供する。実験の結果,提案したDQLは,異なる侵入クラスを検出し,他の類似した機械学習手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-11-27T20:18:00Z)
Learning to Detect: A Data-driven Approach for Network Intrusion Detection [17.288512506016612]
ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
論文参考訳（メタデータ） (2021-08-18T21:19:26Z)
Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文参考訳（メタデータ） (2021-01-28T16:38:26Z)
Detection of Insider Attacks in Distributed Projected Subgradient Algorithms [11.096339082411882]
汎用ニューラルネットワークは悪質なエージェントの検出とローカライズに特に適していることを示す。本稿では,連合学習における最先端のアプローチ,すなわち協調型ピアツーピア機械学習プロトコルを採用することを提案する。シミュレーションでは,AIに基づく手法の有効性と有効性を検証するために,最小二乗問題を考える。
論文参考訳（メタデータ） (2021-01-18T08:01:06Z)
A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文参考訳（メタデータ） (2020-10-15T16:07:26Z)
A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文参考訳（メタデータ） (2020-05-19T13:30:30Z)

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。