文献

J-GLOBAL ID：201802213268833856   整理番号：18A2155670

攻撃検出のためのCNNおよびRNNベースのペイロード分類法【JST・京大機械翻訳】

CNN and RNN based payload classification methods for attack detection

著者 (4件)： Liu Hongyu (State Key Laboratory of Software Development Environment, Beijing, 100191, China) ,  Lang Bo (State Key Laboratory of Software Development Environment, Beijing, 100191, China) ,  Liu Ming (State Key Laboratory of Software Development Environment, Beijing, 100191, China) ,  Yan Hanbing (National Computer Network Emergency Response Technical Team/Coordination Center of China, Beijing, 100029, China)
資料名： Knowledge-Based Systems  (Knowledge-Based Systems)
巻： 163  ページ： 332-341  発行年： 2019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： 近年,機械学習は,ネットワーク攻撃,特に新しい攻撃の検出における問題に広く適用されている。しかしながら,従来の機械学習法は特徴工学に大きく依存し,抽出特徴はしばしば時間がかかり複雑である。従って,実時間応用における従来の機械学習法による攻撃を検出することは実用的ではない。ネットワーク攻撃を効率的に発見するために,エンドツーエンド検出手法を提案した。著者らは,ペイロードを分析するために深い学習モデルを実装し,攻撃検出に使用するために,畳込みニューラルネットワークベースのペイロード分類アプローチ(PL-CNN)と再帰ニューラルネットワークベースのペイロード分類アプローチ(PL-RNN)を提案した。著者らの2つのアプローチは,特徴工学およびサポートエンドツーエンド検出なしで,元のペイロードから特徴表現を学習する。これらのアプローチは,DARPA1998データセットに適用したとき,それぞれ99.36%と99.98%の精度を達成した。これらの精度は最先端の方法のそれらと同等かそれ以上である。さらに,この方法は効率的で実用的である。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  *ペイロード ,  機械学習 ,  エンドツーエンド方式 ,  学習モデル
準シソーラス用語： 深層学習 ,  特徴表現 ,  畳込みニューラルネットワーク ,  実時間 ,  分類法 , 【Automatic Indexing@JST】

著者キーワード (4件)： ペイロード ,  深層学習 ,  エンドツーエンド ,  攻撃検出

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 攻撃 ,  CNN ,  RNN ,  ペイロード ,  分類法