文献

J-GLOBAL ID：201902294611247885   整理番号：19A0467053

ゲート付き再帰ユニットを持つディープニューラルネットワークを用いた侵入検出システム【JST・京大機械翻訳】

An Intrusion Detection System Using a Deep Neural Network With Gated Recurrent Units

著者 (4件)： Xu Congyuan (College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China) ,  Shen Jizhong (College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China) ,  Du Xin (College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China) ,  Zhang Fan (College of Information Science and Electronic Engineering, Zhejiang University, Hangzhou, China)
資料名： IEEE Access  (IEEE Access)
巻： 6  ページ： 48697-48707  発行年： 2018年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： ネットワーク侵入検知システム(IDS)の性能を改善するために,著者らは侵入検出に深い学習理論を適用して,自動特徴抽出を有する深いネットワークモデルを開発した。本論文では,時間に関係する侵入の特性を考察し,ゲート付きリカレントユニット(GRU),多層パーセプトロン(MLP),およびソフトマックスモジュールを有するリカレントニューラルネットワークからなる新しいIDSを提案した。良く知られたKDD99とNSL-KDDデータセットに関する実験は,このシステムが主要な性能を有することを示した。全検出率は,KDD99を用いて99.42%,NSL-KDDを用いて99.31%であり,偽陽性率はそれぞれ0.05%および0.84%と低かった。特に,サービス攻撃の否定を検出するために,システムはそれぞれ99.98%と99.55%の検出率を達成した。比較実験は,GRUがLSTMよりIDSのためのメモリユニットとしてより適切であることを示して,それがLSTMの効果的簡素化と改良であることを証明した。さらに,双方向GRUは,最近発表された方法と比較して,最良の性能に達することができる。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】

シソーラス用語： 比較試験 ,  記憶装置 ,  多層パーセプトロン ,  *簡素化 ,  特徴抽出
準シソーラス用語： 偽陽性率 ,  検出率 ,  リカレントニューラルネットワーク ,  ネットワークモデル ,  ネットワーク侵入検知システム ,  *侵入検知 ,  *ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  音声処理  (JE05000E)

タイトルに関連する用語 (4件)： ゲート ,  ディープニューラルネットワーク ,  侵入 ,  検出システム