抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
新しい分散アーキテクチャにおいて,侵入検出は主要な要件の1つである。本研究では,2つのAdaBoostアルゴリズムを提案した。非常に最初の手順は,従来のオンラインAdaBoostアルゴリズムであり,そこでは,著者らは,意思決定の利用を行った。意思決定は弱い分類器と見なされる。次の第二の手順では,弱い分類器と呼ばれるオンラインGauss混合モデル(GMM)を用いて,強化オンラインAdaBoostアルゴリズムを利用した。さらに,著者らは,分散検出フレームワークを持つであろう。そこでは,侵入検出のための局所的パラメータ化モデルを,AdaBoost手順によってあらゆるノードにおいて形成する。グローバル検出モデルは,ノードにおける少数の用例によって,局所的パラメータモデルの組合せによって,すべての節点においてさらに構築した。この配置は,粒子群最適化(PSO)とサポートベクトルマシン(SVM)上で構成された手順によって達成される。すべてのノードにおけるグローバルモデルを用いて,侵入を検出する。実験結果で収集されたデータは,GMMによる増強されたオンラインAdaBoostプロセスが,以前のAdaBoostプロセスよりも改善され,高い検出率と減少した誤警報を与えることを示した。著者らの2つのアルゴリズムは,現在の侵入検出手順より優れている。著者らのSVMとPSOベースのアルゴリズムが,すべてのノードにおいて局所モデルをグローバルモデルに効率的に結合することを見ることができた。ノードにおけるグローバルモデルは,それらの侵入タイプのサンプルを共有することなく,異なるノードにおいて見つけることができるタイプを同定して,警告することができた。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】
