文献

J-GLOBAL ID：201802241850532931   整理番号：18A1346545

高速ビッグデータネットワークにおける異常検出のためのバルク同期並列ベース機械学習技術に向けて【JST・京大機械翻訳】

Toward Bulk Synchronous Parallel-Based Machine Learning Techniques for Anomaly Detection in High-Speed Big Data Networks

著者 (5件)： Siddique Kamran (Department of Information and Communication Engineering, Dongguk University, Seoul 04620, Korea) ,  Akhtar Zahid (INRS-EMT, University of Quebec, Montreal, QC H5A 1K6, Canada) ,  Lee Haeng-gon (Korea Institute of Science and Technology Information, Daejeon 34141, Korea) ,  Kim Woongsup (Department of Information and Communication Engineering, Dongguk University, Seoul 04620, Korea) ,  Kim Yangwoo (Department of Information and Communication Engineering, Dongguk University, Seoul 04620, Korea)
資料名： Symmetry (Web)  (Symmetry (Web))
巻： 9  号： 9  ページ： 197  発行年： 2017年 
JST資料番号： U7282A  ISSN： 2073-8994  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 侵入検知システム(IDSs)として知られている異常検出システムは,悪意のある行動を同定することを目的として,ネットワークトラフィックを連続的に監視する。2つの本質的な特性を強調する効率的なIDSを構築するための広範な研究が行われている。最初は,最適な特徴選択を見つけることに関して,もう一つは,ロバストな分類方式を採用することによって扱った。しかし,異常検出領域における大きなデータ概念の出現と現代時代における高度なネットワーク攻撃の出現は,IDSsを開発するためのいくつかの基本的な方法論的改訂を必要とする。したがって,著者らは最初に,上記のものに加えて,2つのより顕著な特性を同定した。これらは,特殊な大規模データ処理フレームワークを採用し,システムの性能を検証するための適切なデータセットを利用する必要性に言及し,これは既存の研究で大きく見過ごされている。その後,著者らは,これらの4つの同定された特性に包括的に従う異常検出システムを開発するために設定した。すなわち,提案したシステム(i)は,それぞれ,情報利得と自動分枝限定アルゴリズムを用いて特徴ランキングと選択を実行する。(ii)分類のためにロジスティック回帰と極端な勾配ブースティング技術を使用する。(iii)高速大規模データネットワークの計算機要求に対するバルク同期並列処理を紹介した。そして;(iv)性能評価のためにBrunswick実時間最新データセットの大学の情報セキュリティセンターを使用する。提案したシステムの有効性を検証する実験結果を示した。Copyright 2018 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  特徴選択 ,  計算機械 ,  *高速度 ,  並列処理 ,  ロバスト性 ,  セキュリティシステム ,  セキュリティ ,  *機械学習 ,  情報セキュリティ
準シソーラス用語： ロジスティック回帰分析 ,  侵入検知 ,  ブースティング ,  *異常検出 ,  侵入検知システム ,  *ビッグデータ ,  大規模データ , 【Automatic Indexing@JST】

著者キーワード (8件)： 異常検出 ,  ネットワーク侵入検出システム ,  バルク同期並列 ,  機械学習 ,  ビッグデータ ,  iscX-UNBデータセット ,  DARPA ,  KDDカップ99

分類 (1件)： データ保護  (JD01020V)

引用文献 (44件)：

• Heady, R.; Luger, G.F.; Maccabe, A.; Servilla, M. The Architecture of a Network Level Intrusion Detection System; Technical Report; Department of Computer Science, College of Engineering, University of New Mexico: Albuquerque, NM, USA, 15 August 1990.
• Kim, D.S.; Park, J.S. Network-based intrusion detection with support vector machines. In Information Networking; Springer: Berlin/Heidelberg, Germany, 2003; pp. 747-756.
• Tsai, C.F.; Hsu, Y.F.; Lin, C.Y.; Lin, W.Y. Intrusion detection by machine learning: A review. Expert Syst. Appl. 2009, 36, 11994-12000.
• Kim, D.Y.; Jeong, Y.S.; Kim, S. Data-filtering system to avoid total data distortion in IoT networking. Symmetry 2017, 9, 16.
• Azad, C.; Jha, V.K. Data mining in intrusion detection: A comparative study of methods, types and data sets. Int. J. Inf. Technol. Comput. Sci. 2013, 5, 75.

タイトルに関連する用語 (4件)： ビッグデータ ,  異常検出 ,  バルク ,  機械学習技術