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。
教師つきマシン学習(ML)によるネットワーク侵入検知システム(NIDS)の強化は強靭である。ML-NIDSは訓練され,評価され,良性で悪意のあるサンプルが明確にラベル付けされるデータを必要とする。このようなラベルは,高価なエキスパート知識を必要とし,実際の展開の欠如,ならびに,同じアウトデータに常に頼る論文に結びついた。いくつかの努力がそれらのラベル付きデータセットを明らかにしたので,状況は最近改善された。しかし,ほとんどの過去の作業は,そのようなアベイラビリティによって提供される追加可能性を見落としている「他の」テストベッドとして,そのようなデータセットを使用した。対照的に,ML-NIDSを交差評価するために,そのような既存のラベル付きデータの使用を促進する。このようなアプローチは限られた注意しか受けず,その複雑さのため,専用の処理を必要とする。したがって,最初の交差評価モデルを提案した。著者らのモデルは,交差評価によって評価できる広範囲の現実的使用ケースを強調し,最先端のML-NIDSのまだ未知の品質の発見を可能にした。例えば,それらの検出表面は追加のラベリングコストなしで拡張できる。しかし,このような交差評価を行うことは挑戦的である。したがって,ネットワークフローに基づく信頼できる交差評価のための最初のフレームワーク,XeNIDSを提案する。6つのよく知られたデータセットにXeNIDSを用いることにより,ML-NIDSの交差評価の隠されたポテンシャル,しかしリスクも実証した。【JST・京大機械翻訳】