論文の概要: Unsupervised Network Anomaly Detection with Autoencoders and Traffic Images

• arxiv url: http://arxiv.org/abs/2505.16650v1
• Date: Thu, 22 May 2025 13:19:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.315994
• Title: Unsupervised Network Anomaly Detection with Autoencoders and Traffic Images
• Title（参考訳）: オートエンコーダと交通画像を用いた教師なしネットワーク異常検出
• Authors: Michael Neri, Sara Baldoni,
• Abstract要約: 本稿では,現在のネットワーク条件のコンパクトな要約を実現するための,ネットワークトラフィックのイメージベース表現を提案する。 また,異常を効果的に検出する教師なし学習手法を提案する。
• 参考スコア（独自算出の注目度）: 1.0589208420411014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to the recent increase in the number of connected devices, the need to promptly detect security issues is emerging. Moreover, the high number of communication flows creates the necessity of processing huge amounts of data. Furthermore, the connected devices are heterogeneous in nature, having different computational capacities. For this reason, in this work we propose an image-based representation of network traffic which allows to realize a compact summary of the current network conditions with 1-second time windows. The proposed representation highlights the presence of anomalies thus reducing the need for complex processing architectures. Finally, we present an unsupervised learning approach which effectively detects the presence of anomalies. The code and the dataset are available at https://github.com/michaelneri/image-based-network-traffic-anomaly-detection.
• Abstract（参考訳）: 近年のコネクテッドデバイスの増加により,セキュリティ問題を自動的に検出する必要性が高まっている。 さらに、大量の通信フローが大量のデータを処理する必要性を生んでいる。 さらに、接続されたデバイスは本質的に異質であり、計算能力が異なる。 そこで本研究では,現在のネットワーク状態のコンパクトな要約を1秒の時間ウィンドウで実現可能な,ネットワークトラフィックのイメージベース表現を提案する。 提案した表現は、異常の存在を強調し、複雑な処理アーキテクチャの必要性を減らす。 最後に,異常を効果的に検出する教師なし学習手法を提案する。 コードとデータセットはhttps://github.com/michaelneri/image-based-network-traffic-anomaly-detectionで公開されている。

関連論文リスト

• Graph Neural Networks Based Anomalous RSSI Detection [0.196629787330046]
  本稿では,グラフニューラルネットワークを用いた無線リンクの異常検出手法を提案する。 提案手法では,時系列データをグラフに変換して,新たなグラフニューラルネットワークアーキテクチャをトレーニングする。
  論文  参考訳（メタデータ） (2025-05-19T09:16:32Z)
• Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
  本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。 事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。 その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-22T07:42:07Z)
• Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph [5.64836465356865]
  ネットワークトラフィック検出のための多視点相関対応フレームワークFlowIDを提案する。 FlowIDは時間的およびインタラクションの認識を通じてマルチビュートラフィックの特徴をキャプチャし、ハイパーグラフエンコーダはフロー間の高次関係をさらに探求する。 FlowIDは,様々なネットワークシナリオにおいて,既存の手法よりも精度,堅牢性,一般化に優れることを示す。
  論文  参考訳（メタデータ） (2025-01-15T06:17:06Z)
• RIDE: Real-time Intrusion Detection via Explainable Machine Learning Implemented in a Memristor Hardware Architecture [24.824596231020585]
  本稿では、パケットの任意の長さのシーケンスをよりコンパクトな結合機能埋め込みに統合するために、リカレントオートエンコーダを利用するパケットレベルのネットワーク侵入検出ソリューションを提案する。 提案手法は,パケットレベルで高い検出精度で,極めて効率的かつリアルタイムな解が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-27T17:30:19Z)
• Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
  STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。 まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。 最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
  論文  参考訳（メタデータ） (2023-07-01T13:53:14Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Vision-Aided Dynamic Blockage Prediction for 6G Wireless Communication Networks [11.626009272815816]
  本稿では,テクトダイナミックリンクブロックを積極的に予測する新しい手法を提案する。 観測されたRGB画像とビームフォーミングベクターのシーケンスから、将来のリンクブロックを予測する方法を学ぶ。 リンクブロック予測精度は86%であり、視覚的データを使わずに一致しない。
  論文  参考訳（メタデータ） (2020-06-17T14:37:38Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。