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。
学習ベースのネットワーク侵入検知システム(NIDS)は,様々なサイバー攻撃を防御するために広く展開されている。既存の学習ベースのNIDSは,サイバータックデータの品質と量に依存する分類器として主にニューラルネットワーク(NN)を使用する。このようなNNベースのアプローチは,効率およびスケーラビリティを改善するためにも解釈が困難である。本論文では,解釈可能な勾配ブースティング決定木(GBDT)と連合学習(FL)フレームワークを結合することにより,新しい局所大域的計算パラダイム,FEDFOREST,新しい学習ベースのNIDSを設計した。特に,FEDFORESTは,モデルを訓練し,侵入を検出するサーバのために,ローカルサイバー攻撃データ特徴を抽出する複数のクライアントから構成されている。また,FEDFORESTにおいてプライバシー増強技術を提案し,FLシステムのプライバシーをさらに削減した。異なるタスクの4つのサイバー攻撃データセットに関する大規模な実験は,FEDFORESTが効果的で,効率的で,解釈可能で,拡張可能であることを証明した。FEDFORESTは,中国の大学生の協調学習とサイバーセキュリティ競争2021で最初にランクする。【JST・京大機械翻訳】