文献

J-GLOBAL ID：202202259281538139   整理番号：22A1153410

ネットワーク侵入検出のための連合学習法【JST・京大機械翻訳】

A federated learning method for network intrusion detection

著者 (6件)： Tang Zhongyun (School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China) ,  Tang Zhongyun (School of Information and Electronic Engineering, Zhejiang Gongshang University, Hangzhou, China) ,  Hu Haiyang (School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, China) ,  Xu Chonghuan (School of Business Administration, Zhejiang Gongshang University, Hangzhou, China) ,  Xu Chonghuan (Academy of Zhejiang Culture Industry Innovation and Development, Zhejiang Gongshang University, Hangzhou, China) ,  Xu Chonghuan (Modern Business Research Center, Zhejiang Gongshang University, Hangzhou, China)
資料名： Concurrency and Computation: Practice & Experience  (Concurrency and Computation: Practice & Experience)
巻： 34  号： 10  ページ： e6812  発行年： 2022年 
JST資料番号： W2542A  ISSN： 1532-0626  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 侵入検出は一般的なネットワークセキュリティ防御技術である。現在,ネットワーク侵入検出を実現するために深層学習を用いた多くの研究がある。この方法は高い検出精度を持つことを証明した。しかし,深層学習は訓練のための大規模データセットを必要とする。いくつかの施設のネットワーク侵入検出データセットは不足している。ネットワークトラフィックデータセットが集中深層学習訓練のためにアップロードされるならば,それはプライバシー問題に直面した。ネットワークトラフィックの特性と結合して,本論文は,連合学習に基づくネットワーク侵入検出法を提案した。この方法は,複数のISPまたは他の機関が,局所データを保持する前提で共同深層学習訓練を行うことを可能にする。それは,モデルの検出精度を改善するだけでなく,ネットワークトラフィックにおけるプライバシーを保護する。本論文はCICIDS2017ネットワーク侵入検出データセットに関する実験を行った。実験結果は,連合学習に参加する労働者がより高い検出精度を有することを示した。連合学習の精度と他の性能は集中深層学習モデルのそれらとほぼ等しい。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検出 ,  *ネットワーク ,  通信路容量 ,  プライバシー ,  労働者 ,  検出法 ,  集合 ,  セキュリティ ,  機械学習
準シソーラス用語： 連合学習 ,  防衛 ,  アップロード ,  ネットワークトラフィック ,  ネットワークセキュリティ ,  検出精度 ,  大規模データセット ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： CICIDS2017 ,  深層学習 ,  連合学習 ,  GRU ,  ネットワーク侵入検出

分類 (1件)： データ保護  (JD01020V)

タイトルに関連する用語 (1件)： 侵入