文献

J-GLOBAL ID：201902214706416198   整理番号：19A1965565

特徴増強によるSVMアンサンブルを用いた侵入検出への新しいアプローチ【JST・京大機械翻訳】

A novel approach to intrusion detection using SVM ensemble with feature augmentation

著者 (7件)： Gu Jie (School of Economics and Management, Beihang University, Beijing 100191, China) ,  Gu Jie (Beijing Key Laboratory of Emergence Support Simulation Technologies for City Operations, Beijing 100191, China) ,  Wang Lihong (National Computer Network Emergency Response Technical Team/Coordination Center of China, Beijing 100029, China) ,  Wang Huiwen (School of Economics and Management, Beihang University, Beijing 100191, China) ,  Wang Huiwen (Beijing Advanced Innovation Center for Big Data and Brain Computing (BDBC), Beijing 100191, China) ,  Wang Shanshan (School of Economics and Management, Beihang University, Beijing 100191, China) ,  Wang Shanshan (Beijing Key Laboratory of Emergence Support Simulation Technologies for City Operations, Beijing 100191, China)
資料名： Computers & Security  (Computers & Security)
巻： 86  ページ： 53-62  発行年： 2019年 
JST資料番号： E0995A  ISSN： 0167-4048  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： ネットワークセキュリティは非常に重要な問題である。侵入検知システムは,ネットワークセキュリティを保護するために広く使われてきた。様々な機械学習技術が侵入検知システムの性能を改善するために適用されており,その中でアンサンブル学習が関心を集めており,効果的な方法と考えられている。その上,訓練データの品質も,検出能力を大いに強化することができる重要な決定因子である。限界密度比が最も強力な単変量分類器であることを知る。本論文において,著者らは特徴増強を有するSVM集合に基づく効果的侵入検出フレームワークを提案した。具体的には,対数限界密度比変換を,新しい,より良い品質の変換訓練データを得る目的で,元の特徴に実装した。次に,SVM集合を用いて侵入検出モデルを構築した。実験結果は,著者らの提案方法が良くてロバストな性能を達成することができることを示した。それは,精度,検出比率,誤警報比率と訓練速度の条件において,他の既存の方法と比較するとき,巨大な競争優位性を持った。Copyright 2019 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： *品質 ,  サポートベクトルマシン ,  セキュリティ ,  対数 ,  ロバスト性 ,  セキュリティシステム
準シソーラス用語： 誤警報 ,  密度比率 ,  決定因子 ,  検出能 ,  訓練データ ,  アンサンブル学習 ,  機械学習技術 ,  侵入検知システム ,  ネットワークセキュリティ ,  *侵入検知 , 【Automatic Indexing@JST】

著者キーワード (5件)： アンサンブル学習 ,  侵入検知 ,  限界密度比変換 ,  ネットワークセキュリティ ,  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 (4件)： 増強 ,  SVM ,  アンサンブル ,  侵入