文献

J-GLOBAL ID：201802274160937516   整理番号：18A1712795

構造的共進化可能性を持つ無線センサネットワークのための侵入検出への教師なし学習の組込み【JST・京大機械翻訳】

Incorporating unsupervised learning into intrusion detection for wireless sensor networks with structural co-evolvability

著者 (5件)： Qu Hongchun (Key Laboratory of Industrial Internet of Things & Networked Control, Ministry of Education, College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Qiu Zeliang (Key Laboratory of Industrial Internet of Things & Networked Control, Ministry of Education, College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Tang Xiaoming (Key Laboratory of Industrial Internet of Things & Networked Control, Ministry of Education, College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Xiang Min (Key Laboratory of Industrial Internet of Things & Networked Control, Ministry of Education, College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China) ,  Wang Ping (Key Laboratory of Industrial Internet of Things & Networked Control, Ministry of Education, College of Automation, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 71  ページ： 939-951  発行年： 2018年 
JST資料番号： W2175A  ISSN： 1568-4946  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： 無線センサネットワーク(WSNs)は,オープンで信頼できない通信チャネル,高度に動的なネットワーク構造および分散管理方式のために,多くのセキュリティ脅威に対して脆弱である。したがって,様々な未知の攻撃を検出することができる侵入検知システムを構築することは非常に挑戦的であり,検出率と誤警報率の間のより良いバランスに達して,特に資源制約WSNのためにネットワーク動力学への適応性を増加させる。本論文では,ギャップを橋渡しするための知識ベース侵入検出戦略(KBIDS)を提案した。最初に,正規文脈から攻撃されるWSNの異常な挙動を反映する未定義の異常パターンを識別するための教師なし学習方式である平均シフトクラスタリングアルゴリズム(MSCA)を使用した。次に,著者らは,分類誤差を最小化することができるように,異常と正常な特徴の間のマージンを最大にするために,サポートベクトルマシンを採用して,それは次に,検出精度を効果的に強化した。最後に,ネットワークダイナミクスを反映するために特徴更新戦略を採用し,システムがネットワーク変化と共進化できるようにした。次に,ネットワークエミュレータと実際の環境の両方におけるKBIDSの検証を行い,分析した。結果は,KBIDSがいくつかの最先端の侵入モデルの中で最も高い検出率と最も低い誤警報率を達成したことを示した。さらに,実際の応用においてKBIDSをパラメータ化するために用いることができる最適構成の同定を助けるために,いくつかのパラメータ感度解析を行った。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： モデル ,  *センサネットワーク ,  セキュリティ ,  サポートベクトルマシン ,  通信チャネル ,  エミュレータ ,  *教師なし学習 ,  クラスタ化 ,  *ネットワーク ,  パラメタリゼーション
準シソーラス用語： *侵入 ,  検出率 ,  脆弱性 ,  *侵入検知 ,  *無線センサネットワーク ,  *共進化 , 【Automatic Indexing@JST】

著者キーワード (5件)： 無線センサネットワーク ,  機械学習 ,  侵入検知 ,  クラスタリング ,  サポートベクトルマシン

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

タイトルに関連する用語 (6件)： 共進化 ,  可能性 ,  無線センサネットワーク ,  侵入 ,  教師なし学習 ,  組込み