文献

J-GLOBAL ID：202002261844039871   整理番号：20A2282950

大規模多重LANのための分割連合学習による侵入検出【JST・京大機械翻訳】

Intrusion Detection with Segmented Federated Learning for Large-Scale Multiple LANs

著者 (3件)： Sun Yuwei (The University of Tokyo,Graduate School of Information Science and Technology,Tokyo,Japan) ,  Ochiai Hideya (The University of Tokyo,Graduate School of Information Science and Technology,Tokyo,Japan) ,  Esaki Hiroshi (The University of Tokyo,Graduate School of Information Science and Technology,Tokyo,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-8  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： サイバーセキュリティ問題に対する伝統的手法は,通常,攻撃の特定のタイプの発生後の攻撃からユーザを保護する。さらに,最近のサイバータックのパターンは変化しやすい傾向があり,それらの予測不能性を追加する。一方,侵入を検出するのに用いる新しい方法としての機械学習はますます注目されている。さらに,局所訓練データの共有を通して,集中学習アプローチは,モデルの性能を改善することを証明した。本研究では,従来の連合学習モデルにおける単一グローバルモデルに基づく協調学習とは異なる分割連合学習を提案し,参加者の各セグメントが協調学習を別々に実行して,参加者のセグメンテーションを動的に追い換えるように,複数のグローバルモデルを維持した。さらに,これらの多重グローバルモデルは,パラメータ更新のために互いに相互作用し,従って,様々な参加者のLANに適応できる。LAN-Securityモニタリングプロジェクトにおける20人の参加者のLANからの2か月の交通データをカバーするデータセットを使用した。ネットワークイベントをラベル付けするための3種類の知識ベース手法を採用し,データセットに基づくCNNモデルを訓練した。最後に,著者らは,これらの標識法で個々に0.923,0.813および0.877の検証精度を達成した。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： 相互作用 ,  *学習 ,  学習モデル ,  セグメンテーション ,  ネットワーク ,  *多重化 ,  標識法 ,  知識ベース ,  *LAN【通信】 ,  機械学習
準シソーラス用語： 連合学習 ,  訓練データ ,  協調学習 ,  *侵入検知 ,  サイバーセキュリティ , 【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)： 大規模 ,  多重 ,  LAN ,  学習 ,  侵入