論文の概要: Sdn Intrusion Detection Using Machine Learning Method

• arxiv url: http://arxiv.org/abs/2411.05888v1
• Date: Fri, 08 Nov 2024 12:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:09:38.402245
• Title: Sdn Intrusion Detection Using Machine Learning Method
• Title（参考訳）: 機械学習を用いたSdn侵入検出
• Authors: Muhammad Zawad Mahmud, Shahran Rahman Alve, Samiha Islam, Mohammad Monirujjaman Khan,
• Abstract要約: SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。 本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Software-defined network (SDN) is a new approach that allows network control to become directly programmable, and the underlying infrastructure can be abstracted from applications and network services. Control plane). When it comes to security, the centralization that this demands is ripe for a variety of cyber threats that are not typically seen in other network architectures. The authors in this research developed a novel machine-learning method to capture infections in networks. We applied the classifier to the UNSW-NB 15 intrusion detection benchmark and trained a model with this data. Random Forest and Decision Tree are classifiers used to assess with Gradient Boosting and AdaBoost. Out of these best-performing models was Gradient Boosting with an accuracy, recall, and F1 score of 99.87%,100%, and 99.85%, respectively, which makes it reliable in the detection of intrusions for SDN networks. The second best-performing classifier was also a Random Forest with 99.38% of accuracy, followed by Ada Boost and Decision Tree. The research shows that the reason that Gradient Boosting is so effective in this task is that it combines weak learners and creates a strong ensemble model that can predict if traffic belongs to a normal or malicious one with high accuracy. This paper indicates that the GBDT-IDS model is able to improve network security significantly and has better features in terms of both real-time detection accuracy and low false positive rates. In future work, we will integrate this model into live SDN space to observe its application and scalability. This research serves as an initial base on which one can make further strides forward to enhance security in SDN using ML techniques and have more secure, resilient networks.
• Abstract（参考訳）: Software-Defined Network(SDN)は、ネットワーク制御が直接プログラム可能になり、基盤となるインフラストラクチャをアプリケーションやネットワークサービスから抽象化できる新しいアプローチである。 コントロールプレーン)。 セキュリティに関して言えば、この要求を中央集権化することは、他のネットワークアーキテクチャでは一般的に見られない、さまざまなサイバー脅威に対して波及している。 本研究の著者らは,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。 我々は、UNSW-NB 15侵入検知ベンチマークに分類器を適用し、このデータを用いてモデルを訓練した。 ランダムフォレスト(Random Forest)と決定木(Decision Tree)は、グラディエントブースティング(Gradient Boosting)とAdaBoost(AdaBoost)で評価するために使用される分類器である。 これらの最も優れたモデルのうち、グラディエント・ブースティングは精度、リコール、F1スコアはそれぞれ99.87%、100%、99.85%であり、SDNネットワークの侵入検知に信頼性がある。 2番目に優れた分類器は、99.38%の精度のランダムフォレストであり、その後にAda BoostとDecision Treeが続いた。 この課題において、グラディエント・ブースティングがこれほど効果的である理由は、弱い学習者を組み合わせて、トラフィックが通常のものや悪意のあるものに属しているかどうかを高い精度で予測できる強力なアンサンブルモデルを作成するためである。 本稿では,GBDT-IDSモデルがネットワークセキュリティを大幅に改善し,リアルタイム検出精度と偽陽性率の両面で優れた特徴を有することを示す。 今後の作業では、このモデルを生きたSDN空間に統合して、そのアプリケーションとスケーラビリティを観察します。 この研究は、ML技術を使用してSDNのセキュリティを強化し、よりセキュアでレジリエントなネットワークを実現するための、最初の基盤となる。

関連論文リスト

• Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。 我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。 その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
  論文  参考訳（メタデータ） (2024-09-27T11:20:20Z)
• C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
  ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。 以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。 このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:37Z)
• Detection of DDoS Attacks in Software Defined Networking Using Machine Learning Models [0.6193838300896449]
  本稿では,ソフトウェア定義ネットワーク(SDN)環境において,分散型サービス障害(DDoS)攻撃を検出する機械学習アルゴリズムの有効性について検討する。 その結果、MLベースの検出は、SDNにおけるDDoS攻撃を特定するためのより正確で効果的な方法であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-11T22:56:36Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• An Isolation Forest Learning Based Outlier Detection Approach for Effectively Classifying Cyber Anomalies [2.2628381865476115]
  サイバー異常を効果的に分類するためのIsolation Forest Learning-Based Outlier Detection Modelを提案する。 実験の結果,異常値の除去によりサイバー異常の分類精度が向上した。
  論文  参考訳（メタデータ） (2020-12-09T05:09:52Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Cassandra: Detecting Trojaned Networks from Adversarial Perturbations [92.43879594465422]
  多くの場合、事前トレーニングされたモデルは、トロイの木馬の振る舞いをモデルに挿入するためにトレーニングパイプラインを中断したかもしれないベンダーから派生している。 本稿では,事前学習したモデルがトロイの木馬か良馬かを検証する手法を提案する。 本手法は,ニューラルネットワークの指紋を,ネットワーク勾配から学習した逆方向の摂動の形でキャプチャする。
  論文  参考訳（メタデータ） (2020-07-28T19:00:40Z)
• 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)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。