論文の概要: Harnessing PU Learning for Enhanced Cloud-based DDoS Detection: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2410.18380v1
• Date: Thu, 24 Oct 2024 02:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-25 16:43:53.464095
• Title: Harnessing PU Learning for Enhanced Cloud-based DDoS Detection: A Comparative Analysis
• Title（参考訳）: クラウドベースのDDoS検出のためのハーネスングPU学習:比較分析
• Authors: Robert Dilworth, Charan Gudla,
• Abstract要約: 本稿では、クラウド環境における分散型サービス拒否(DDoS)検出の強化に対する、Positive-Unlabeled(PU)学習の適用について検討する。 我々は,XGBoost,Random Forest,Support Vector Machine,Na"ive Bayesの4つの機械学習アルゴリズムを用いてPU学習を実装した。 その結果,XGBoostとRandom Forestは98%以上のスコアでF_1$を達成し,アンサンブル手法の優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper explores the application of Positive-Unlabeled (PU) learning for enhanced Distributed Denial-of-Service (DDoS) detection in cloud environments. Utilizing the $\texttt{BCCC-cPacket-Cloud-DDoS-2024}$ dataset, we implement PU learning with four machine learning algorithms: XGBoost, Random Forest, Support Vector Machine, and Na\"{i}ve Bayes. Our results demonstrate the superior performance of ensemble methods, with XGBoost and Random Forest achieving $F_{1}$ scores exceeding 98%. We quantify the efficacy of each approach using metrics including $F_{1}$ score, ROC AUC, Recall, and Precision. This study bridges the gap between PU learning and cloud-based anomaly detection, providing a foundation for addressing Context-Aware DDoS Detection in multi-cloud environments. Our findings highlight the potential of PU learning in scenarios with limited labeled data, offering valuable insights for developing more robust and adaptive cloud security mechanisms.
• Abstract（参考訳）: 本稿では、クラウド環境における分散型サービス拒否(DDoS)検出の強化に対する、Positive-Unlabeled(PU)学習の適用について検討する。 $\texttt{BCCC-cPacket-Cloud-DDoS-2024}$データセットを利用することで、XGBoost、Random Forest、Support Vector Machine、Na\"{i}ve Bayesという4つの機械学習アルゴリズムでPU学習を実装します。 XGBoost と Random Forest は 98% を超える F_{1}$ のスコアを得た。 F_{1}$ score, ROC AUC, Recall, Precisionなどの指標を用いて, 各手法の有効性を定量化する。 本研究では、PU学習とクラウドベースの異常検出のギャップを埋め、マルチクラウド環境におけるコンテキスト認識DDoS検出に対処するための基盤を提供する。 我々の発見は、ラベル付きデータに制限のあるシナリオにおけるPU学習の可能性を強調し、より堅牢で適応的なクラウドセキュリティメカニズムを開発する上で貴重な洞察を提供する。

関連論文リスト

• Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
  本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。 我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。 提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
  論文  参考訳（メタデータ） (2024-05-01T11:10:24Z)
• Feature Selection using the concept of Peafowl Mating in IDS [2.184775414778289]
  クラウドコンピューティングはインフラストラクチャベース、プラットフォームベース、ソフトウェアベースのサービスを提供します。 この技術の人気は、パフォーマンス、高いレベルのコンピューティング能力、低コストのサービス、スケーラビリティ、可用性、柔軟性にある。 クラウド環境におけるデータの入手性とオープン性は、サイバー攻撃の世界に対して脆弱である。 侵入検知システムを用いて攻撃を検知し、情報セキュリティを確保する。
  論文  参考訳（メタデータ） (2024-02-03T06:04:49Z)
• Distribution-aware Interactive Attention Network and Large-scale Cloud Recognition Benchmark on FY-4A Satellite Image [24.09239785062109]
  我々は,正確なクラウド認識のための新しいデータセットを開発した。 領域適応法を用いて,70,419個の画像ラベル対を投影,時間分解能,空間分解能の点で整列する。 また,高解像度ブランチと並列クロスブランチにより画素レベルの詳細を保存できる分散対応インタラクティブアテンションネットワーク(DIAnet)を導入する。
  論文  参考訳（メタデータ） (2024-01-06T09:58:09Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• A Boosting Algorithm for Positive-Unlabeled Learning [11.872187498935135]
  Positive-Unlabeled (PU) 学習は、正の (P) と未ラベルの (U) データのみが利用できる場合のバイナリ分類問題を扱う。 本稿では,ニューラルネットワークと比較した新しいPU学習アルゴリズムAda-PUを提案する。 実験では、Ada-PUがベンチマークPUデータセットでニューラルネットワークより優れていることを示した。
  論文  参考訳（メタデータ） (2022-05-19T11:50:22Z)
• Self-Supervised Arbitrary-Scale Point Clouds Upsampling via Implicit Neural Representation [79.60988242843437]
  そこで本研究では,自己監督型および倍率フレキシブルな点雲を同時にアップサンプリングする手法を提案する。 実験結果から, 自己教師あり学習に基づく手法は, 教師あり学習に基づく手法よりも, 競争力や性能が向上することが示された。
  論文  参考訳（メタデータ） (2022-04-18T07:18:25Z)
• Enhancing the Generalization for Intent Classification and Out-of-Domain Detection in SLU [70.44344060176952]
  インテント分類は、音声言語理解(SLU)における主要な課題である 近年の研究では、余分なデータやラベルを使用することで、OOD検出性能が向上することが示されている。 本稿では、IND意図分類とOOD検出の両方をサポートしながら、INDデータのみを用いてモデルを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-06-28T08:27:38Z)
• Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
  本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。 提案手法の有効性を,多数の実proba-v画像を用いて検証した。
  論文  参考訳（メタデータ） (2020-12-09T18:23:59Z)
• Budget Learning via Bracketing [50.085728094234476]
  予算学習の問題は、学習者の目標として、雲の使用を最小限に抑えつつ、精度の明確な損失を被ることである。 本稿ではブラケットの概念を用いてBL問題に対する新しい定式化を提案する。 我々は、実世界のデータセットに関する我々の理論を実証的に検証し、事前ゲーティングに基づく手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-14T04:38:14Z)

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。