文献

J-GLOBAL ID：201802238874158190   整理番号：18A0027817

侵入検出システムへの浅いおよび深いネットワークの有効性の評価【Powered by NICT】

Evaluating effectiveness of shallow and deep networks to intrusion detection system

著者 (3件)： Vinayakumar R. (Centre for Computational Engineering and Networking (CEN), Amrita School of Engineering, Coimbatore) ,  Soman K. P. (Centre for Computational Engineering and Networking (CEN), Amrita School of Engineering, Coimbatore) ,  Poornachandran Prabaharan (Center for Cyber Security Systems and Networks, Amrita School of Engineering, Amritapuri Amrita Vishwa Vidyapeetham, Amrita University, India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICACCI  ページ： 1282-1289  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： ネットワーク侵入検知システム(NIDS)は学界と産業における情報通信技術(ICT)システムにおける動的ネットワーク欠陥を検出し,分類するために使用されるツールである。NIDSの新しい既存の機械学習分類器を採用して検出率と精度の向上は,大容量の攻撃多様でダイナミックな特性を含むセキュリティ監査データの重要であるという事実のために,セキュリティ研究における重要な分野である。NIDSに種々の浅いおよび深いネットワークの有効性を評価した。浅いおよび深いネットワークは二成分と多クラスの分類環境におけるKDDCup「99」,および,NSL KDDデータセット上で訓練されたと評価した。深層ネットワークは実験配置の大部分で浅いネットワークと比較して,良好に行った。これに主な理由は,正常および攻撃ネットワーク接続記録の隠れたパターンを学習するためにいくつかの層を通した情報を通過する深層ネットワークである可能性があり,最終的に各層のこれらの学習した特徴を,ネットワーク接続記録の正常および様々な攻撃を効果的に区別した。さらに,深層ネットワークも未知の攻撃にも知られている攻撃の検出および分類で行った。許容可能な検出率を達成するために,深いネットワークにおけるネットワーク設定とそのパラメータの様々な配置を用いた。深いネットワークのすべての様々な構成は[0.01 0.5]範囲における学習速度を用いた訓練における1000までの時期を正常および様々な攻撃の時間変動パターンを効果的に捕捉した。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： 経時変化 ,  機械学習 ,  *ネットワーク ,  セキュリティ ,  忍容性
準シソーラス用語： 学習速度 ,  許容性 ,  大容量 ,  高精度化 ,  検出率 ,  動的ネットワーク ,  情報通信技術 ,  ネットワーク侵入検知システム ,  *侵入検知 , 【Automatic Indexing@JST】

分類 (2件)： データ保護  (JD01020V) ,  計算機網  (JC03000K)

タイトルに関連する用語 (3件)： 侵入 ,  検出システム ,  評価