論文の概要: An Attack Traffic Identification Method Based on Temporal Spectrum

• arxiv url: http://arxiv.org/abs/2411.07510v1
• Date: Tue, 12 Nov 2024 03:09:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-13 13:17:34.999446
• Title: An Attack Traffic Identification Method Based on Temporal Spectrum
• Title（参考訳）: 時間スペクトルに基づくアタックトラフィック同定法
• Authors: Wenwei Xie, Jie Yin, Zihao Chen,
• Abstract要約: 本稿では,時間スペクトルに基づく攻撃トラフィックの検出と識別手法を提案する。 トラフィックデータは、スライディングウィンドウによってセグメント化され、ネットワークトラフィックのための特徴シーケンスと対応するラベルシーケンスを構成する。 SSPE法やCOAP法で訓練されたモデルは、識別精度を10%向上させ、特にノイズの多い環境で強い堅牢性を示す。
• 参考スコア（独自算出の注目度）: 7.6939207062219
• License:
• Abstract: To address the issues of insufficient robustness, unstable features, and data noise interference in existing network attack detection and identification models, this paper proposes an attack traffic detection and identification method based on temporal spectrum. First, traffic data is segmented by a sliding window to construct a feature sequence and a corresponding label sequence for network traffic. Next, the proposed spectral label generation methods, SSPE and COAP, are applied to transform the label sequence into spectral labels and the feature sequence into temporal features. Spectral labels and temporal features are used to capture and represent behavioral patterns of attacks. Finally, the constructed temporal features and spectral labels are used to train models, which subsequently detects and identifies network attack behaviors. Experimental results demonstrate that compared to traditional methods, models trained with the SSPE or COAP method improve identification accuracy by 10%, and exhibit strong robustness, particularly in noisy environments.
• Abstract（参考訳）: 本稿では,既存のネットワーク攻撃検出・識別モデルにおけるロバスト性,不安定な特徴,およびデータノイズ干渉の問題に対処するため,時間スペクトルに基づく攻撃トラフィック検出・識別手法を提案する。 まず、トラフィックデータをスライディングウィンドウでセグメント化して、ネットワークトラフィックのための特徴シーケンスと対応するラベルシーケンスを構築する。 次に,提案するスペクトルラベル生成手法であるSSPEとCOAPを用いて,ラベルシーケンスをスペクトルラベルに変換し,特徴シーケンスを時間的特徴に変換する。 スペクトルラベルと時間的特徴は、攻撃の行動パターンを捉え、表現するために使用される。 最後に、構築された時間的特徴とスペクトルラベルを使用してモデルをトレーニングし、その後ネットワーク攻撃行動を検出し、識別する。 実験により,従来の手法と比較して,SSPE法やCOAP法で訓練したモデルでは識別精度が10%向上し,特に雑音環境において強い強靭性を示すことが示された。

関連論文リスト

• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Assessing Cyclostationary Malware Detection via Feature Selection and Classification [0.0]
  本研究は,サイクロ静止マルウェアの挙動の同定とその検出に焦点を当てる。 主な目的は、NIDSで使用される重要なサイクロ定常的特徴を特定することである。 分析は、インターネットプロトコルをマルウェアが使用する最も顕著なサイクロ定常特徴パターンとして特定する。
  論文  参考訳（メタデータ） (2023-08-29T11:52:31Z)
• Deep Spectro-temporal Artifacts for Detecting Synthesized Speech [57.42110898920759]
  本稿では,トラック1(低品質フェイク音声検出)とトラック2(部分フェイク音声検出)の総合評価を行う。 本稿では, 原時間信号, スペクトル特性, 深層埋没特性を用いて, 分光時相アーティファクトを検出した。 我々はそれぞれ1番線と2番線で4位と5位にランクインした。
  論文  参考訳（メタデータ） (2022-10-11T08:31:30Z)
• Edge Detection and Deep Learning Based SETI Signal Classification Method [0.0]
  バークレーSETI研究センターの科学者が地球外知的生命体(SETI)を探索中 無線信号をフーリエ変換によりスペクトルに変換し、2次元時間周波数スペクトルで表される信号を分類する。 本稿では,背景雑音がスペクトル分類の精度に与える影響を考察し,新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-29T04:31:48Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)
• Dual-Refinement: Joint Label and Feature Refinement for Unsupervised Domain Adaptive Person Re-Identification [51.98150752331922]
  Unsupervised Domain Adaptive (UDA) Person Re-identification (再ID) は、ターゲットドメインデータのラベルが欠落しているため、難しい作業です。 オフラインクラスタリングフェーズにおける擬似ラベルとオンライントレーニングフェーズにおける特徴を共同で改良する,デュアルリファインメントと呼ばれる新しいアプローチを提案する。 本手法は最先端手法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2020-12-26T07:35:35Z)
• DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
  本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。 提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
  論文  参考訳（メタデータ） (2020-10-04T13:28:28Z)
• Change Point Detection in Time Series Data using Autoencoders with a Time-Invariant Representation [69.34035527763916]
  変化点検出(CPD)は、時系列データにおける急激な特性変化を見つけることを目的としている。 近年のCDD法は、深層学習技術を用いる可能性を示したが、信号の自己相関統計学におけるより微妙な変化を識別する能力に欠けることが多い。 我々は、新しい損失関数を持つオートエンコーダに基づく手法を用い、使用済みオートエンコーダは、CDDに適した部分的な時間不変表現を学習する。
  論文  参考訳（メタデータ） (2020-08-21T15:03:21Z)
• Spectrum Sensing and Signal Identification with Deep Learning based on Spectral Correlation Function [2.6626788331762867]
  スペクトル相関関数を用いた畳み込みニューラルネットワーク(CNN)モデルを提案する。 提案手法は,事前情報のない無線信号を分類し,CASE1とCASE2という2つの異なる設定で実装する。 この実装はセルシグナルを超越したものの、提案手法はサイクロ定常特性を示す任意の信号の検出と分類にまで拡張することができる。
  論文  参考訳（メタデータ） (2020-03-17T06:56:26Z)
• Spectral CUSUM for Online Network Structure Change Detection [14.525631550607281]
  本稿では、未知のネットワーク構造変化を検出するために、Spectral-CUSUMと呼ばれるオンライン変更検出アルゴリズムを提案する。 スペクトルCUSUM法の平均走行距離(ARL)と予測検出遅延(EDD)を特徴付け,その最適性を示す。
  論文  参考訳（メタデータ） (2019-10-20T23:47:33Z)

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。