Fugu-MT 論文翻訳(概要): Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection

論文の概要: Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection

arxiv url: http://arxiv.org/abs/2410.18332v1
Date: Wed, 23 Oct 2024 23:58:10 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-25 12:48:23.994332
Title: Advancing Network Security: A Comprehensive Testbed and Dataset for Machine Learning-Based Intrusion Detection
Title（参考訳）: ネットワークセキュリティの強化: 機械学習による侵入検知のための総合的なテストベッドとデータセット
Authors: Talaya Farasat, JongWon Kim, Joachim Posegga,
Abstract要約: 私たちのTestbedは、機械学習ベースのネットワーク実験のための、ネットワークトラフィックを生成するための高度なプラットフォームとして機能します。このTestbedを利用することで、地上の真理性を完全に満たす小さな悪意のあるネットワークトラフィックデータセットを公開します。
参考スコア（独自算出の注目度）: 0.2014089835498735
License:
Abstract: This paper introduces a Testbed designed for generating network traffic, leveraging the capabilities of containers, Kubernetes, and eBPF/XDP technologies. Our Testbed serves as an advanced platform for producing network traffic for machine learning based network experiments. By utilizing this Testbed, we offer small malicious network traffic dataset publically that satisfy ground truth property completely.
Abstract（参考訳）: 本稿では、コンテナ、Kubernetes、eBPF/XDP技術の能力を活用して、ネットワークトラフィックを生成するために設計されたTestbedを紹介する。私たちのTestbedは、機械学習ベースのネットワーク実験のための、ネットワークトラフィックを生成するための高度なプラットフォームとして機能します。このTestbedを利用することで、地上の真理性を完全に満たす小さな悪意のあるネットワークトラフィックデータセットを公開します。

関連論文リスト

Simplifying complex machine learning by linearly separable network embedding spaces [45.62331048595689]
低次元埋め込みは複雑なネットワークのモデリングと解析の基盤となっている。この線形性をもたらすネットワークデータには構造的特性が存在することを示す。より線形に分離可能な空間にネットワークを埋め込む新しいグラフレットベースの手法を提案する。
論文参考訳（メタデータ） (2024-10-02T11:41:17Z)
Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey [0.0]
IoT(Internet of Things)は前例のない成長を遂げ、相互接続されたデバイスからの多様なネットワークトラフィックが大量に流入している。このネットワークトラフィックを効果的に分類することは、リソース割り当ての最適化、セキュリティ対策の強化、IoTシステムにおける効率的なネットワーク管理の確保に不可欠である。ディープラーニングは、生データから複雑なパターンや表現を自動的に学習する能力のために、ネットワークトラフィック分類の強力なテクニックとして登場した。
論文参考訳（メタデータ） (2024-02-01T14:33:24Z)
A Testbed for Automating and Analysing Mobile Devices and their Applications [6.010194098264184]
携帯電話は、その動的な振る舞いとネットワーク上の可視性の欠如により、状況認識のネットワーク化に重大なリスクを負う。我々は,現実的なトラフィックを生成し,ラベル付けするためのモバイル機器上のアプリケーションを自動化するテストベッドを開発した。テストベッド自動化の信頼性を分析し、アプリケーション分類タスクのデータセットをベンチマークする。
論文参考訳（メタデータ） (2023-09-15T04:48:58Z)
Machine Learning for QoS Prediction in Vehicular Communication: Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文参考訳（メタデータ） (2023-02-23T12:29:20Z)
Enabling NAS with Automated Super-Network Generation [60.72821429802335]
最近のニューラルアーキテクチャサーチ(NAS)ソリューションは、スーパーネットワークをトレーニングし、それから導出作業を行うという印象的な結果を生み出している。本稿では,NAS用スーパーネットワークの自動生成のためのソフトウェアフレームワークであるBootstrapNASを紹介する。
論文参考訳（メタデータ） (2021-12-20T21:45:48Z)
Convolutional Neural Network-based Intrusion Detection System for AVTP Streams in Automotive Ethernet-based Networks [2.141079906482723]
コネクテッド・アンド・オートマチック・ビークル(CAV)は、伝統的な自動車の革新的な形態である。以前の研究では、自動車イーサネットベースのネットワークにおける侵入検知に焦点が当てられていない。本稿では,AVTPストリームインジェクション攻撃の侵入検出手法を提案する。
論文参考訳（メタデータ） (2021-02-06T09:37:09Z)
Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
論文参考訳（メタデータ） (2020-11-25T12:51:59Z)
Fault Handling in Large Water Networks with Online Dictionary Learning [1.933681537640272]
ここでは、センサ配置を行う際にネットワークトポロジを考慮に入れたデータ駆動の代替手段を提供することで、モデルを単純化する。オンライン学習は高速で、一度に小さな信号のバッチを処理するため、大きなネットワークに取り組むことができる。このアルゴリズムは、小規模ネットワークと大規模ネットワークの両方でテストした場合、優れた性能を示す。
論文参考訳（メタデータ） (2020-03-18T21:46:14Z)
Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文参考訳（メタデータ） (2020-03-13T15:34:33Z)
Machine Learning based Anomaly Detection for 5G Networks [0.0]
本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。 SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
論文参考訳（メタデータ） (2020-03-07T00:17:08Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。