文献

J-GLOBAL ID：202202246906889027   整理番号：22A0862664

ベンチマークUNSWNB15データセットを用いた協調共進化ベース特徴選択による教師付き希少異常検出技術【JST・京大機械翻訳】

A Supervised Rare Anomaly Detection Technique via Cooperative Co-evolution-Based Feature Selection Using Benchmark UNSW_NB15 Dataset

著者 (3件)： Rashid A. N. M. Bazlur (School of Science, Edith Cowan University, Joondalup, WA, Australia) ,  Ahmed Mohiuddin (School of Science, Edith Cowan University, Joondalup, WA, Australia) ,  Islam Sheikh Rabiul (Department of Computing Sciences, University of Hartford, West Hartford, CT, USA)
資料名： Communications in Computer and Information Science  (Communications in Computer and Information Science)
巻： 1557  ページ： 279-291  発行年： 2022年 
JST資料番号： W5071A  ISSN： 1865-0929  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 異常検出はサイバーセキュリティを含む多くのドメインで重要である。サイバーセキュリティデータセットには多くの希少異常があり,これらのまれな異常の検出は計算上高価である。サイバーセキュリティデータセットは多くの特徴から成り,ほとんど無関係であり,多くの機械学習アルゴリズムの低い分類性能をもたらす。したがって,データセットから関連する特徴のみを選択する特徴選択手法は,異常検出における重要な前処理ステップである。多くの特徴選択手法が文献で利用可能である。しかし,Bigデータ,協調共進化を取り扱うために,メタヒューリスティックアルゴリズムベースの特徴選択方式は,その前処理ステップのためにサイバーセキュリティデータセットのためにより好適であった。本論文では,前処理ステップとしてUNSW_NB15サイバーセキュリティデータセットに対するランダムグループ化(CCFSRFG)アプローチによる以前に提案した協調共進化ベース特徴選択を適用した。次に,元のデータセットと特徴数の少ないデータセットを用いて,まれな異常を検出した。実験解析を行い,5つの広く使用された教師付き分類器を用いて評価した。したがって,提案した異常検出アプローチは,Supervised Real Anomaly検出(SRAD)と呼ばれる。実験結果を真の陽性率(TPR)に関して特徴選択の有無と比較した。実験分析は,ナイーブBayes分類器が,すべての希少異常検出に対してTPRを25.55%増加させたことを示した。さらに,k-NN分類器は,Exploits異常検出のTPRを58.91%増加させた。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  検出 ,  自動分類 ,  分類 ,  前処理 ,  分析 ,  異常 ,  *特徴選択 ,  コンピュータセキュリティ ,  *ベンチマーク ,  学習アルゴリズム
準シソーラス用語： Bayes分類器 ,  陽性率 ,  異常検出 ,  ヒューリスティック ,  サイバーセキュリティ ,  教師付き分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 稀な異常検出 ,  監視 ,  特徴選択 ,  協調的共進化 ,  UNSWNB15

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： ベンチマーク ,  データセット ,  協調共進化 ,  特徴選択 ,  教師 ,  異常検出