文献

J-GLOBAL ID：201802280858381146   整理番号：18A0165738

エッジ上の異常検出【Powered by NICT】

Anomaly detection on the edge

著者 (2件)： Schneible Joseph (Technica Corporation, Dulles, VA 20166) ,  Lu Alex (Technica Corporation, Dulles, VA 20166)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： MILCOM  ページ： 678-682  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： 異常検出は,観測セットの異常な信号を同定するプロセスである。これはサイバーセキュリティと戦場などのいろいろな分野における重要な課題である。多くのシナリオでは,観測結果から,分散移動または小形状因子デバイスのセットから収集した。伝統的に,大規模システムはすべてのデバイスから集めたデータに分析を行う観測は,集中化したサーバに送られる。しかし,これらの小さな形状因子デバイスの計算能力は,ハードウェアへの年間改善と近年益々厳しくなっている。端計算として知られている,新しいモデルはこの計算能力の利点を利用し,分散装置上の局所分析を行った。本論文では,各エッジデバイス上に設置された,オートエンコーダ,特殊化した深い学習ニューラルネットワーク分析を行い,分散様式で異常の観測を確認するために使用する異常検出へのアプローチを提案した。同時に,新しい傾向を同定するためにオートエンコーダを,新しい観測からわかったこと。接続が利用可能であるときに集中サーバは更新されたモデルを集約し,エッジデバイスにそれらを分布する。このアーキテクチャは,エッジデバイス間の帯域幅と連結性要求とオートエンコーダモデルと異常観測のみが中央サーバに送られ,全ての観察データよりもむしろなければならないとして中央サーバを減少させた。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： 学習 ,  モデル ,  ニューラルネットワーク ,  ハードウェア ,  連結性 ,  帯域幅 ,  計算機アーキテクチャ ,  *形状因子 ,  集中化 ,  大規模系
準シソーラス用語： 戦場 ,  サイバーセキュリティ ,  *異常検出 , 【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 (2件)： エッジ ,  異常検出