論文の概要: Temporal Analysis of NetFlow Datasets for Network Intrusion Detection Systems

• arxiv url: http://arxiv.org/abs/2503.04404v1
• Date: Thu, 06 Mar 2025 12:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 15:59:51.593059
• Title: Temporal Analysis of NetFlow Datasets for Network Intrusion Detection Systems
• Title（参考訳）: ネットワーク侵入検知システムのためのNetFlowデータセットの時間解析
• Authors: Majed Luay, Siamak Layeghy, Seyedehfaezeh Hosseininoorbin, Mohanad Sarhan, Nour Moustafa, Marius Portmann,
• Abstract要約: 本稿では,機械学習に基づくネットワーク侵入検知システム(NIDS)におけるNetFlowデータセットの時間的解析について検討する。 本稿では,NetFlowデータセットの時間的分布を経時的に検討し,時間的・時間的分析を行った。 その結果、多くの攻撃にはユニークなパターンがあることが示され、MLモデルの識別がより容易になる可能性がある。
• 参考スコア（独自算出の注目度）: 8.629760514294446
• License:
• Abstract: This paper investigates the temporal analysis of NetFlow datasets for machine learning (ML)-based network intrusion detection systems (NIDS). Although many previous studies have highlighted the critical role of temporal features, such as inter-packet arrival time and flow length/duration, in NIDS, the currently available NetFlow datasets for NIDS lack these temporal features. This study addresses this gap by creating and making publicly available a set of NetFlow datasets that incorporate these temporal features [1]. With these temporal features, we provide a comprehensive temporal analysis of NetFlow datasets by examining the distribution of various features over time and presenting time-series representations of NetFlow features. This temporal analysis has not been previously provided in the existing literature. We also borrowed an idea from signal processing, time frequency analysis, and tested it to see how different the time frequency signal presentations (TFSPs) are for various attacks. The results indicate that many attacks have unique patterns, which could help ML models to identify them more easily.
• Abstract（参考訳）: 本稿では,機械学習に基づくネットワーク侵入検知システム(NIDS)におけるNetFlowデータセットの時間的解析について検討する。 NIDSでは、パッケージ間到着時間やフロー長/デュレーションなど、時間的特徴の重要な役割を強調してきたが、現在利用可能なNIDS用のNetFlowデータセットには、これらの時間的特徴が欠けている。 本研究では、これらの時間的特徴を組み込んだNetFlowデータセットのセットを公開し、公開することにより、このギャップに対処する[1]。 これらの時間的特徴により、時間とともに様々な特徴の分布を調べ、NetFlow特徴の時系列表現を提示することにより、NetFlowデータセットの総合的時間的解析を提供する。 この時間的分析は、既存の文献ではこれまで提供されていなかった。 また、信号処理や時間周波数解析からアイデアを借りて、TFSP(time frequency signal presentations)が様々な攻撃に対してどのように異なるかを検証した。 その結果、多くの攻撃にはユニークなパターンがあることが示され、MLモデルの識別がより容易になる可能性がある。

関連論文リスト

• A Distance Correlation-Based Approach to Characterize the Effectiveness of Recurrent Neural Networks for Time Series Forecasting [1.9950682531209158]
  距離相関の多元的指標を用いて,RNN成分と時系列特性をリンクする手法を提案する。 RNN活性化層が時系列のラグ構造をよく学習していることを実証的に示す。 また,アクティベーション層は移動平均およびヘテロスケダティック時系列過程を適切にモデル化できないことを示す。
  論文  参考訳（メタデータ） (2023-07-28T22:32:08Z)
• Network Traffic Classification based on Single Flow Time Series Analysis [0.0]
  本稿では,単一フロータイムシリーズの時系列解析に基づく交通特徴の新たなフロー拡張を提案する。 我々は,広く知られている15のデータセットを用いて,各種ネットワークトラフィック分類タスクのユーザビリティと特徴ベクトルの達成を実証した。
  論文  参考訳（メタデータ） (2023-07-25T12:00:48Z)
• Multivariate Time Series Classification: A Deep Learning Approach [1.0742675209112622]
  本稿では時系列分類領域に適用可能な様々な手法とニューラルネットワークアーキテクチャについて検討する。 データは、酸素や音などの量を測定し、追跡するガスセンサー群から得られる。 このデータにより、特定の環境における占有などの事象を検出することができる。
  論文  参考訳（メタデータ） (2023-07-05T12:50:48Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
  風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。 我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。 提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
  論文  参考訳（メタデータ） (2021-07-01T13:13:24Z)
• Temporal and Object Quantification Networks [95.64650820186706]
  複雑な関係時間事象を認識できる構造バイアスを持つニューロシンボリックネットワークを新たに提案する。 我々は、TOQ-Netsが、少量のデータから、トレーニング中に存在したものよりも多くのオブジェクトを含むシナリオ、入力シーケンスの時間的ワープまでを一般化できることを実証した。
  論文  参考訳（メタデータ） (2021-06-10T16:18:21Z)
• Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
  既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。 本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。 提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-02-09T07:19:19Z)
• Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
  スパイクニューラルネットワークは低消費電力を可能にするため注目されている。 本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。 空間時間パターンを分類する学習アルゴリズムも提案する。
  論文  参考訳（メタデータ） (2020-07-07T15:24:01Z)

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。