文献

J-GLOBAL ID：202202261286393872   整理番号：22A0959985

侵入検知のための動的アンサンブルRVMに基づく増分学習法【JST・京大機械翻訳】

An Incremental Learning Method Based on Dynamic Ensemble RVM for Intrusion Detection

著者 (4件)： Wu Zhijun (School of Electronics, Information and Automation, Civil Aviation University of China, Tianjin, China) ,  Gao Pan (School of Electronics, Information and Automation, Civil Aviation University of China, Tianjin, China) ,  Cui Lei (School of Computer Science, University of Technology Sydney, Sydney, NSW, Australia) ,  Chen Jiusheng (School of Electronics, Information and Automation, Civil Aviation University of China, Tianjin, China)
資料名： IEEE Transactions on Network and Service Management  (IEEE Transactions on Network and Service Management)
巻： 19  号： 1  ページ： 671-685  発行年： 2022年 
JST資料番号： W2434A  ISSN： 1932-4537  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： 時間にわたるネットワークデータの動的変化のために,静的侵入検知システムは,入力ネットワークデータの行動特性にうまく適応することができず,その結果,検出精度が低下した。さらに,連続入力データストリームは,資源貯蔵と計算コストに巨大な挑戦をもたらす。したがって,動的アンサンブル増分学習(DEIL-RVM)の侵入検出法を提案し,動的に調整したアンサンブル侵入検出モデルを実現した。インクリメンタル集合またはデータチャンクに基づく新しい全体的誤分類確率重み値(OMPW)を,アンサンブルモデルを更新するための基礎として設計し,そして,それを,アンサンブルモデルにおける貧弱なベースコンポーネントを剪定し,置換するために用いることができた。各カテゴリにサンプルを分割する各ベースRVMモデルの事後確率を考慮した確率的決定関数を提示した。高いスパース性を有するRVMを,精度,ロバスト性と資源消費の間の良いバランスを得るためにベースコンポーネントとして用いて,それはネットワークデータストリームにおいてより高い検出精度と安定性を達成しながら,アンサンブルインクリメンタル学習におけるより少ない時間と保管コストを犠牲にすることができた。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. 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 ,  *学習 ,  ネットワーク ,  精度 ,  事後確率 ,  検出法 ,  モデル ,  *集合 ,  ロバスト性
準シソーラス用語： データストリーム ,  スパース性 ,  計算コスト ,  インクリメンタル学習 ,  *侵入検知システム ,  検出精度 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 侵入検知 ,  アンサンブル ,  増分