Fugu-MT 論文翻訳(概要): Anomaly Detection in OKTA Logs using Autoencoders

論文の概要: Anomaly Detection in OKTA Logs using Autoencoders

arxiv url: http://arxiv.org/abs/2411.07314v1
Date: Mon, 11 Nov 2024 19:15:05 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-13 13:17:13.844076
Title: Anomaly Detection in OKTA Logs using Autoencoders
Title（参考訳）: オートエンコーダを用いたOKTAログの異常検出
Authors: Jericho Cain, Hayden Beadles, Karthik Venkatesan,
Abstract要約: Oktaログは、ルックバック期間が制限されたさまざまなルールベースのモデルを使用して、サイバーセキュリティイベントを検出するために使用される。これらの関数には、限定された振り返り分析、事前定義されたルールセット、偽陽性の生成に対する感受性などの制限がある。我々は教師なしの技術、特にオートエンコーダを採用しています。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: Okta logs are used today to detect cybersecurity events using various rule-based models with restricted look back periods. These functions have limitations, such as a limited retrospective analysis, a predefined rule set, and susceptibility to generating false positives. To address this, we adopt unsupervised techniques, specifically employing autoencoders. To properly use an autoencoder, we need to transform and simplify the complexity of the log data we receive from our users. This transformed and filtered data is then fed into the autoencoder, and the output is evaluated.
Abstract（参考訳）: Oktaログは、様々なルールベースのモデルを使用して、ルックバック期間を制限したサイバーセキュリティイベントを検出するために、今日使用されている。これらの関数には、限定された振り返り分析、事前定義されたルールセット、偽陽性の生成に対する感受性などの制限がある。これを解決するために、教師なしの技術、特にオートエンコーダを採用しています。オートエンコーダを適切に使用するには、ユーザから受信したログデータの複雑さを変換し、単純化する必要があります。この変換およびフィルタリングされたデータはオートエンコーダに入力され、出力が評価される。

関連論文リスト

The Conformer Encoder May Reverse the Time Dimension [53.9351497436903]
我々はデコーダのクロスアテンション機構の初期動作を分析し、コンバータエンコーダの自己アテンションが初期フレームと他のすべての情報フレームとの接続を構築することを奨励することを発見した。本稿では,このフリップを回避する方法とアイデアを提案する。
論文参考訳（メタデータ） (2024-10-01T13:39:05Z)
Hold Me Tight: Stable Encoder-Decoder Design for Speech Enhancement [1.4037575966075835]
生のオーディオの1Dフィルターは訓練が困難で、しばしば不安定に悩まされる。これらの問題は、理論駆動とデータ駆動のアプローチを組み合わせたハイブリッドソリューションによって解決される。
論文参考訳（メタデータ） (2024-08-30T15:49:31Z)
LogFormer: A Pre-train and Tuning Pipeline for Log Anomaly Detection [73.69399219776315]
本稿では,ログ異常検出(LogFormer)のためのTransformerベースの統合フレームワークを提案する。具体的には、ログデータの共有セマンティック知識を得るために、まず、ソースドメイン上で事前学習を行う。そして、そのような知識を共有パラメータを介して対象領域に転送する。
論文参考訳（メタデータ） (2024-01-09T12:55:21Z)
UNFUSED: UNsupervised Finetuning Using SElf supervised Distillation [53.06337011259031]
音声分類に自己教師付き学習を活用する新しい手法UnFuSeDを提案する。エンコーダを用いて、実際の微調整ステップの前に、教師なしの微調整のための擬似ラベルを生成する。 UnFuSeDはLAPEベンチマークで最先端の結果を達成し、すべてのベースラインを大きく上回っている。
論文参考訳（メタデータ） (2023-03-10T02:43:36Z)
A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文参考訳（メタデータ） (2022-09-23T06:09:35Z)
Bag-of-Vectors Autoencoders for Unsupervised Conditional Text Generation [18.59238482225795]
自動エンコーダの埋め込み空間における写像を学習するために,Mai et al. の提案する Emb2Emb 法を拡張した。本稿では,Bag-of-AEs Autoencoders (BoV-AEs)を提案する。これにより、標準的なオートエンコーダよりも長いテキストをエンコードし、再構築することができる。
論文参考訳（メタデータ） (2021-10-13T19:30:40Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Anomaly Detection With Partitioning Overfitting Autoencoder Ensembles [0.0]
教師なし外乱検出(UOD)の新しい手法であるPOTATOES(Partitioning Overfitting Autoencoder EnSemble)を提案する。その考え方は、データの正規化を全く行わず、むしろランダムに、十分に多くの同じサイズの部品に分割し、各部品に自身のオートエンコーダをオーバーフィットさせ、全てのオートエンコーダ再構成エラーを異常スコアとして使用することである。実のところ,本手法は,読者が本論文の結果を再現し,他のオートエンコーダやデータセットにも適用できるように利用できる。
論文参考訳（メタデータ） (2020-09-06T15:35:53Z)
Revisiting Role of Autoencoders in Adversarial Settings [32.22707594954084]
本稿では,自己エンコーダの対向ロバスト性の性質について述べる。我々は,自己エンコーダの対角強靭性の発見は,今後の敵防衛研究や応用の手がかりとなると信じている。
論文参考訳（メタデータ） (2020-05-21T16:01:23Z)
On Sparsifying Encoder Outputs in Sequence-to-Sequence Models [90.58793284654692]
我々はTransformerをテストベッドとして、エンコーダとデコーダの間にあるゲートの層を導入します。ゲートは、パリシティ誘導L0ペナルティの期待値を用いて正規化される。このスペーサー化が2つの機械翻訳と2つの要約タスクに与える影響について検討する。
論文参考訳（メタデータ） (2020-04-24T16:57:52Z)
Batch norm with entropic regularization turns deterministic autoencoders into generative models [14.65554816300632]
変分オートエンコーダはよく定義された深部生成モデルである。本研究では、非決定論の情報源としてバッチ正規化を利用することで、決定論的オートエンコーダを生成モデルに変換するのに十分であることを示す。
論文参考訳（メタデータ） (2020-02-25T02:42:18Z)

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。