文献

J-GLOBAL ID：201702291287915104   整理番号：17A0910228

ランプ損失Kサポートベクトル分類-回帰:侵入検出問題に対するロバストなとスパース多クラスアプローチ【Powered by NICT】

Ramp loss K-Support Vector Classification-Regression; a robust and sparse multi-class approach to the intrusion detection problem

著者 (9件)： Hosseini Bamakan Seyed Mojtaba (Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, China) ,  Hosseini Bamakan Seyed Mojtaba (Research center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Hosseini Bamakan Seyed Mojtaba (School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190, China) ,  Wang Huadong (Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, China) ,  Wang Huadong (Research center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Shi Yong (Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, China) ,  Shi Yong (Research center on Fictitious Economy and Data Science, Chinese Academy of Sciences, Beijing 100190, China) ,  Shi Yong (School of Economics and Management, University of Chinese Academy of Sciences, Beijing 100190, China) ,  Shi Yong (College of Information Science and Technology, University of Nebraska at Omaha, 68182, NE, USA)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 126  ページ： 113-126  発行年： 2017年 
JST資料番号： T0426A  ISSN： 0950-7051  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ネットワーク侵入検出問題は,交通量,非常に不均衡データセットの攻撃多クラスの膨大な数のために進行中の挑戦的な研究分野である,新しい攻撃の性質と攻撃法を変化させている。伝統的なネットワーク保護法は,計算機ネットワークを保護する適切にできないので,いくつかの洗練された方法論の必要性が感じられている。本論文では,ランプ損失Kサポートベクトル分類-回帰に基づく多クラス侵入検出問題のための正確な,スパースでロバストな方法論,「ランプKSVCR」を開発した。本研究の主目的は,以下の問題を解決した。1)高不均衡および傾斜した攻撃の分布,著者らのモデルの中核としてK-SVCRモデルを利用した;2)SVMの感度と訓練における雑音と異常値の存在にその拡張は,この問題に対処するために,ランプ損失関数は著者らのモデルに実装されている;3)と提案したランプKSVCRモデルを微分不可能非凸最適化問題であるので,このモデルを解くために凹凸手順(CCCP)した。さらに,このモデルは大規模設定に適用可能であることが適合すると訓練時間を低減するための乗算器(ADMM)法の交互方向法を紹介した。提案した方法の性能は,いくつかの人工データと最近報告された侵入検知データセットとしてKDDデータセットとUNSW NB15を用いたいくつかの実験を行っても評価した。実験結果は汎化能力とスパース性相当量の計算時間の節約の点で,に対して試験し,従来アプローチに比べて提案した方法の優位性を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 異常値 ,  *透視図法 ,  乗算器 ,  計算機網 ,  損失関数 ,  ネットワーク ,  汎化 ,  交通量 ,  雑音 ,  *ロバスト性 ,  CPU時間
準シソーラス用語： スパース性 ,  非凸最適化問題 ,  不均衡 ,  *侵入検知 , 【Automatic Indexing@JST】

著者キーワード (6件)： マルチクラス分類 ,  侵入検出 ,  Kサポートベクトル分類-回帰 ,  ランプ損失関数 ,  乗算器(ADMM)の交互方向法 ,  凹凸手順(CCCP)

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (7件)： ランプ ,  損失 ,  ベクトル ,  分類 ,  侵入 ,  ロバスト ,  クラス