文献

J-GLOBAL ID：202002225161311907   整理番号：20A0812601

DCNN Q学習を用いたエッジコンピューティングにおけるCPSS LR-DDoS検出と防衛【JST・京大機械翻訳】

CPSS LR-DDoS Detection and Defense in Edge Computing Utilizing DCNN Q-Learning

著者 (3件)： Liu Zengguang (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao, China) ,  Yin Xiaochun (Facility Horticulture Laboratory of Universities in Shandong, Weifang University of Science and Technology, Shouguang, China) ,  Hu Yuemei (School of Information Science and Engineering, Qufu Normal University, Rizhao, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 42120-42130  発行年： 2020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： CPSS(サイバー-物理-社会システム)のための既存の侵入検知と防御モデルは,静的侵入特性を分析することに基づいており,それは,特にエッジ環境において,大規模低速度サービス(LR-DDoS)攻撃を効果的に検出することができない。本論文において,著者らはまず第一に,エッジLR-DDoSをより強力にして,それらの活動を混乱させる洗練されたマルチターゲット低速度TCP攻撃ネットワークに対して,Miraiボットネットを調査して,強化した。そして,著者らは,エッジ環境における上記のCPSS LR-DDoSシナリオのための新しい侵入検出と防御ハイブリッド法を開発する。それは,オリジナルのデータ分布の最適特徴を自動学習し,攻撃を防御する強力な意思決定者として深い強化学習Qネットワークを採用する。検出位相における実験結果は,提案方法が,サポートベクトルマシン(SVM),K平均,および表面学習ニューラルネットワークなどより高い検出精度とより速い応答時間で異常なネットワーク攻撃フローを区別することができることを証明して,それは,未知の新しい攻撃のために一定の検出率を持っている。それは,この方法が実際のネットワーク環境に有効で好適であることを意味する。防御位相における実験結果は,それがスムーズにLR-DDoS攻撃を防御することができることを証明した。Copyright 2020 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： 低速度 ,  サポートベクトルマシン ,  ネットワーク ,  ニューラルネットワーク ,  応答時間 ,  強化学習 ,  *学習 ,  意思決定者 ,  社会システム ,  位相 ,  *サイバー攻撃
準シソーラス用語： 検出率 ,  検出精度 ,  ボットネット ,  侵入検知 ,  *DDoS攻撃 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： Q学習 ,  エッジコンピューティング ,  Lr ,  DDoS ,  防衛