文献

J-GLOBAL ID：202002225681929098   整理番号：20A2555212

GANによるネットワーク侵入検知システムのための敵対例の検出【JST・京大機械翻訳】

Detecting Adversarial Examples for Network Intrusion Detection System with GAN

著者 (6件)： Peng Ye (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010) ,  Fu Guobin (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010) ,  Luo Yingguang (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010) ,  Hu Jia (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010) ,  Li Bin (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010) ,  Yan Qifei (Academy of Information and Communication, National University of Defense Technology,Wuhan,China,430010)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICSESS  ページ： 6-10  発行年： 2020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： ネットワークの規模の増加とともに,ネットワークに対する攻撃は,もう1つ後に現れ,そして,セキュリティ問題は,ますます顕著になった。ネットワーク侵入検出システムは,現在,広く使用され,有効なセキュリティ手段である。さらに,機械学習技術の発展とともに,様々な知的侵入検出アルゴリズムも発芽を開始する。侵入検出技術とこれらの知的方法を柔軟に組み合わせることによって,侵入検出の包括的性能を改良できるが,敵対環境における機械学習モデルの脆弱性は無視できない。本論文では,敵対サンプルに対するネットワーク侵入検知システムの防御問題を研究した。より具体的には,双方向生成敵対ネットワークを用いて敵対サンプルに対するNIDSに対する防御アルゴリズムを設計した。発電機は訓練中の正常サンプルのデータ分布を学習し,それは正常データ分布を反映する陰的モデルである。訓練の後,敵対サンプル検出モジュールは,サンプルの再構成誤差と識別器マッチング誤差を計算する。次に,敵対サンプルを除去して,敵対環境におけるNIDSのロバスト性と精度を改善した。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： アルゴリズム ,  弁別器 ,  *ネットワーク ,  再構成 ,  ロバスト性 ,  セキュリティ ,  機械学習
準シソーラス用語： 敵意 ,  防衛 ,  *侵入検知 ,  脆弱性 ,  検出アルゴリズム ,  機械学習技術 ,  ネットワーク侵入検知システム , 【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 (3件)： GaN ,  ネットワーク侵入検知システム ,  敵対