解釈可能な連合学習ベースのネットワーク侵入検出フレームワーク【JST・京大機械翻訳】

Dong Tian; Li Song; Qiu Han; Lu Jialiang

プレプリント

J-GLOBAL ID：202202202310501901 整理番号：22P0025371

解釈可能な連合学習ベースのネットワーク侵入検出フレームワーク【JST・京大機械翻訳】

An Interpretable Federated Learning-based Network Intrusion Detection Framework

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月09日プレプリントサーバーでの情報更新日： 2022年01月09日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

データ保護 , 人工知能

, ,

前のページに戻る