文献

J-GLOBAL ID：201802220020228238   整理番号：18A0520764

悪性フロー検出のための深層学習【Powered by NICT】

Deep learning for malicious flow detection

著者 (4件)： Chen Yun-Chun (Department of Electrical Engineering, National Taiwan University) ,  Li Yu-Jhe (Graduate Institute of Communication Engineering, National Taiwan University) ,  Tseng Aragorn (Graduate Institute of Communication Engineering, National Taiwan University) ,  Lin Tsungnan (Department of Electrical Engineering, National Taiwan University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： PIMRC  ページ： 1-7  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： サイバーセキュリティは十分に成長した近年注目材料でなければならない。潜在的マルウェアを同定するためにどのように挑戦的な仕事になる。この課題に取り組むために,深い学習アプローチを採用し,実データにフロー検出を行った。しかし,実データはしばしば勾配希釈問題に導く可能性のある不均衡データ分布の問題に遭遇する。ニューラルネットワークを訓練するとき,この問題は,多数クラスに向けてバイアスを生む結果になるだけでなく,少数クラスから学習できないことを示した。本論文では,層別方法でデータを分類するツリー形状ディープニューラルネットワーク(TSDNN)を提案した。少数クラスから学習するために,クラス間の相違の知識を組み込んだ量依存逆伝搬(QDBP)アルゴリズムを提案した。不均衡データセット上で提案手法を評価した。実験結果は,提案アプローチが,最先端の方法よりも優れており,提案した方法は学習不均衡の難しさを克服できることを正当化することを示した。もリアルタイム検出の実現可能性とサイバーセキュリティにおける深い学習の汎化能力を正当化する零ショット学習実験を示す部分流実験を行った。Copyright 2018 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： 層別 ,  粒状材 ,  *学習 ,  ニューラルネットワーク ,  アルゴリズム ,  マルウェア ,  希釈
準シソーラス用語： 実時間 ,  不均衡 ,  最先端 ,  不均衡データセット ,  ディープニューラルネットワーク ,  不均衡データ ,  サイバーセキュリティ ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： データ保護  (JD01020V) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： フロー ,  深層学習