文献

J-GLOBAL ID：201702221944822400   整理番号：17A0417423

軽量ネットワーク異常検出法【Powered by NICT】

A lightweight network anomaly detection technique

著者 (5件)： Jinoh Kim (Texas A&M University, Commerce, 75428, United States of America) ,  Wucherl Yoo (Lawrence Berkeley National Laboratory, CA 94720, United States of America) ,  Alex Sim (Lawrence Berkeley National Laboratory, CA 94720, United States of America) ,  Suh Sang C. (Texas A&M University, Commerce, 75428, United States of America) ,  Ikkyun Kim (ETRI, Daejeon, Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICNC  ページ： 896-900  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： ネットワーク異常検知があるネットワークの運用と管理における必須であるが,ネットワークトラヒックの指数関数的に増加する体積に対する検出の第一選択を行うためにさらに困難になる。本研究では,二つの重要な考察を用いたオンライン異常検出の第一選択のための技術の開発(i)モニタリング時間中の交通特性の利用可能性,および(ii)ストリーミングデータのための計算スケーラビリティ。提案した学習法は,与えられた次元空間の格子分割に基づく近似の美しさと軽量で高度にスケーラブルである。KDDカップ1999,および,NSL KDDの公共トラヒックトレースを用いて,提案技法では,後処理の助けなしに得られることを容易に入手可能な交通属性の対のみで,それぞれ,検出精度の98.5%と83%をもたらすことを示した。結果は,決定木およびランダムフォレストを含む古典的学習法と少なくとも同等である,高速な学習性能の約二桁であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 指数関数 ,  学習 ,  *ネットワーク ,  ディシジョンツリー ,  後処理 ,  高速度
準シソーラス用語： 学習性能 ,  ランダムフォレスト ,  検出精度 ,  オンライン ,  *異常検出 ,  *軽量 , 【Automatic Indexing@JST】

分類 (2件)： データ保護  (JD01020V) ,  計算機網  (JC03000K)

タイトルに関連する用語 (2件)： 軽量 ,  異常検出