文献

J-GLOBAL ID：201202284007441628   整理番号：12A1398950

攻撃通信検知のための合成型機械学習手法の一検討

A Combined Machine Learning Method for the Detection of Attacks

著者 (5件)： 小久保博崇 (筑波大 大学院システム情報工学研究科) ,  小久保博崇 (富士通研) ,  金岡晃 (筑波大 システム情報系) ,  満保雅浩 (金沢大 理工研究域) ,  岡本栄司 (筑波大 システム情報系)
資料名： 情報処理学会論文誌ジャーナル(CD-ROM)  (情報処理学会論文誌 論文誌ジャーナル(CD-ROM))
巻： 53  号： 9  ページ： 2086-2093  発行年： 2012年09月15日 
JST資料番号： Z0778B  ISSN： 1882-7837  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： マルウェアの脅威は日々拡大しており,いまや社会に実害を及ぼす脅威となっている。また未知のマルウェアの侵入や活動を検出し,被害を防ぐことの重要性が高まっている。本論文ではCCC DATAset2011の攻撃通信データを利用し,通信プロトコルヘッダの特性を,性質の異なる複数の機械学習手法を組み合わせて学習することで未知攻撃を含む攻撃通信の持続的な検知を試みた。決定木の定期的な再学習に加え二次元自己組織化マップ(SOM)による逐次学習を取り入れることで安定して高い精度を保てるように工夫することにより,99%前後の確率で攻撃通信の検知を行うことが可能となった。(著者抄録)

シソーラス用語： ソフトウェア ,  *コンピュータセキュリティ ,  *機械学習 ,  システム ,  プロトコル ,  通信 ,  ディシジョンツリー ,  *自己組織化特徴マップ ,  精度 ,  確率モデル ,  システム評価 ,  マルウェア ,  サイバー攻撃
準シソーラス用語： 侵入検知システム ,  攻撃【情報】 ,  通信プロトコル ,  攻撃通信 ,  *自己組織化マップ

分類 (3件)： データ保護  (JD01020V) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (18件)：

• [1] McAfee Labs:2011年第1四半期脅威レポート, McAfee Labs(オンライン),入手先〈http://www.mcafee.com/japan/media/mcafeeb2b/international/japan/pdf/threatreport/threatreport11q1.pdf〉(参照2011-08-01).
• [2] 情報処理推進機構=情報処理推進機構:情報セキュリティ:ネットワークセキュリティ関連用語集,入手先〈http://www.ipa.go,jp/security/ciadr/crword.html〉(参照2011-12-01).
• [3] Chandola, V. Banerjee, A. and Kumar, V.: Anomaly detection: A survey, ACM Computing Surveys, Vol.41, No.3 (July 2009).
• [4] Garcia-Teodoro, P., Diaz-Verdejo, J., Macia-Fernandez, G. and Vazquez, E.: Anomaly-based network intrusion detection: Techniques, systems and challenges, Computers & Security, Vol.28, No.1-2, pp.18-28 (Feb. 2009).
• [5] Patcha, A. and Park, J-M.: An overview of anomaly detection techniques: Existing solutions and latest technological trends, Computer Networks, Vol.51, No.12, pp.3448-3470 (Aug. 2007).

タイトルに関連する用語 (3件)： 攻撃 ,  機械学習 ,  手法