文献

J-GLOBAL ID：202002242280285747   整理番号：20A2094906

能動学習を用いた侵入検知システムのための生成敵対攻撃【JST・京大機械翻訳】

Generative adversarial attacks against intrusion detection systems using active learning

著者 (4件)： Shu Dule (Carnegie Mellon University) ,  Leslie Nandi O. (U.S. Army Research Laboratory) ,  Kamhoua Charles A. (U.S. Army Research Laboratory) ,  Tucker Conrad S. (Carnegie Mellon University)
資料名： ACM Proceedings  (ACM Proceedings)
号： WiseML ’20  ページ： 1-6  発行年： 2020年 
JST資料番号： D0698C  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： 侵入検知システム(IDS)は,根底にある脅威パターン/特徴の学習能力により,コンピュータネットワークにおける脅威を検出する機械学習(ML)ベースのアプローチをますます採用している。しかし,MLベースモデルは敵対攻撃を受けやすく,入力特徴のわずかな摂動が誤分類を引き起こす。MLベースのIDSに対する敵対攻撃の脅威を評価するために,能動学習と生成敵対ネットワークを使用する方法を提案した。既存の敵対攻撃法は大量の訓練データを必要とし,IDSモデル自体(例えば,損失関数)の知識を仮定し,実世界設定では不可能である。著者らの方法は,限られた訓練データを用いてIDSを妥協する能力を実証し,その二値分類(すなわち,良性または悪意)以外のIDSモデルの事前知識を仮定することにより,これらの限界を克服した。実験結果は,モデル訓練中に25のラベル付きデータ点だけを用いてIDSモデルを迂回する際に98.86%の成功率を達成する提案モデルの能力を実証した。MLベースのIDSを妥協することによって得られた知識は,類似のMLベースの敵対攻撃に対するロバスト性を高めるためにIDSに統合できる。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 損失関数 ,  ネットワーク ,  ニューラルネットワーク ,  *計算機網 ,  ロバスト性 ,  機械学習
準シソーラス用語： 訓練データ ,  事前知識 ,  能動学習 ,  侵入検知 ,  成功率 ,  *侵入検知システム ,  二値分類 , 【Automatic Indexing@JST】

著者キーワード (3件)： アクティブ学習 ,  侵入検出 ,  ニューラルネットワーク

分類 (2件)： データ保護  (JD01020V) ,  計算機網  (JC03000K)

タイトルに関連する用語 (4件)： 能動学習 ,  侵入検知システム ,  敵対 ,  攻撃