抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
大規模組織は,それらの操作をサポートするために同時に実行する数百または数千のアプリケーションを持つ可能性がある。高レベルの効率を維持するために,問題を迅速に固定し,コストを低減するために,それらは迅速に異常または異常を検出する必要がある。本論文では,アプリケーションのダウンタイムを低減するためのネットワークトラフィックデータの異常検出法に対する解析的枠組みと,異常なアプリケーション挙動の検出または報告における人間の関与の必要性について述べた。著者らは,異常検出におけるSeasonal自己回帰統合移動平均(SARIMA)時系列モデルとLong Short-Tem Memory(LSTM)Autoエンコーダモデルの性能を比較するために,記述したフレームワークを使用した。偽陽性率と精度を用いてこれらのモデルを評価し,タイムリーな警告を与えることができ,両モデルが正確であるにもかかわらず,偽陽性率は非常に高いことを示した。次に,SARIMAとLSTMオートエンコーダを集めることにより,全体の検出性能を改善した。著者らの結果は,時系列と自動符号器を用いたネットワークトラフィックフローにおける異常検出の可能な新しい方法を実証した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】