抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
モノのインターネット(IoT)の急速な拡大は,大量のデータを生成し,消費し,交換するAIを可能にし,スマートな多官能デバイスの接続ネットワークに向かって急速に進化する。全現在のクラウドサービスによって刺激され,これまでのデータ帯域幅を広げることにより,著者らの生活のあらゆる側面を,著者らの健康への輸送から制御し,Webベースのサービスとそのセキュリティに対する信頼性を大幅に向上させた。既に数百万のサイバーセキュリティ警報が毎日生成され,セキュリティ運用センター(SOC)のますます費用のかかる調査を引き起こす。それらの運用をより効率的に行うためには,様々なレベルの重症度,潜在的損傷の規模,あるいは防御する能力に基づいて,信頼性のあるセキュリティ警告を確実に検出し分類する必要がある。著者らは,セキュリティ警報に導くネットワーク活動の詳細なログに基づいて注意を必要とするサイバーセキュリティ脅威を予測することに焦点を合わせたIEEE BigData Cup 2019の文脈において,この挑戦に応答した。著者らは,いくつかの最新の極値勾配アルゴリズムを組み合わせたハイブリッド教師つき学習アンサンブルモデルを開発した。特にxGBoostとLightGBMモデルバージョンを,警報に先行するネットワークイベントの生のログから抽出された特徴の別々の集合上に構築し,次に相乗的に集約した。アルゴリズムの相違,相補的特徴部分集合,および個々に最適化されたハイパーパラメータによって課されたモデルの多様性は,ロバストな層別化交差検証方式と組み合わせて,最高の真の警報検出率をもたらし,すべての他の248の競合チームを上回った。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】