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。
侵入検知システム(IDS)は,計算資源と外部攻撃からのデータを保護するコンピュータネットワークにおいて本質的な役割を果たす。最近のIDSは,予想外で予測できない攻撃に対するIDSの柔軟性と効率を改善する課題に直面している。深層ニューラルネットワーク(DNN)は,特徴を抽出し,機械学習技術として学習する複雑なシステムに対して広く考えられている。本論文では,一次元畳込みニューラルネットワーク(1D-CNN)を用いて効率的で柔軟なIDSを開発するための深層学習手法を提案した。二次元CNN法はコンピュータビジョン領域における画像の物体検出において顕著な性能を示した。一方,1D-CNNは時系列データの教師つき学習に使用できる。IDSの侵入インターネットトラフィックモデルとして,送信制御プロトコル/インターネットプロトコル(TCP/IP)パケットを,1D-CNNの教師つき学習のために分類し,ラベル付けしたIDSの侵入インターネットトラフィックモデルとして,1D-CNNに基づく機械学習モデルを確立した。提案手法の有効性を示すために,UNSW_NB15IDSデータセットのモデルを評価した。性能における比較研究のために,種々のネットワークパラメータおよびアーキテクチャを有する1D-CNNに加えて,機械学習ベースランダムフォレスト(RF)およびサポートベクトルマシン(SVM)モデルを利用した。各実験で,モデルは不均衡とバランスの取れたデータで0.0001の学習速度で200の時代まで実行される。1D-CNNとその変形アーキテクチャは古典的機械学習分類器と比較して性能が優れていた。これは主にCNNがネットワークトラフィック接続の低レベル特徴集合の抽象形式を表す高レベル特徴表現を抽出する能力を持つ理由による。【JST・京大機械翻訳】