文献

J-GLOBAL ID：202202276933351710   整理番号：22A1121445

AnoGLA:ネットワーク異常検出を改善するための効率的なスキーム【JST・京大機械翻訳】

AnoGLA: An efficient scheme to improve network anomaly detection

著者 (2件)： Ding Qingfeng (School of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, 201306, China) ,  Li Jinguo (School of Computer Science and Technology, Shanghai University of Electric Power, Shanghai, 201306, China)
資料名： Journal of Information Security and Applications  (Journal of Information Security and Applications)
巻： 66  ページ： Null  発行年： 2022年 
JST資料番号： W2985A  ISSN： 2214-2126  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ますますサイバー攻撃と侵入技法によって,ネットワークセキュリティの脅威はますます深刻になった。しかし,既存の解決策は,攻撃が量や複雑性で成長し続けるので,精度の点ではもはや十分ではない。事前の方法は,主として交通流におけるデータ変化を分析するために,深層学習技術の適用に焦点を当てた。いくつかの先進攻撃技術が攻撃を隠すことができ,それらを統計において無害に見えるので, cunningサイバー攻撃は検出できない。同時に,従来のモデルは個々のホストによって送られるトラフィックの統計にのみ集中するので,ネットワークトラフィックにおける通信パターンの潜在的関係は無視されるかもしれない。これらの解決策はネットワークトラフィックにおける様々な不確実性を扱うのに適格でない。本論文では,ネットワーク構造とノード特性の間の複雑な通信パターンを考慮したAnoGLAと呼ばれる効率的な異常検出手法を提案した。ネットワークトラフィックの間の隠れ関係性をマイニングするために,著者らはネットワークトラフィックにおけるグラフ構造化データを構築して,モデリングのためにグラフ畳込みネットワーク(GCN)を利用した。また,長い短期メモリネットワーク(LSTM)を,異なる時間でグラフの変化情報を抽出するために,注意機構と結合させた。提案手法の有効性とロバスト性を2つの実世界データセットで評価した。実験結果は,著者らの方式が異常フローを効果的に検出することができ,ネットワーク異常検出タスクにおいて以前のものより優れていることを示した。Copyright 2022 Elsevier B.V., Amsterdam. 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 ,  畳込み ,  *ネットワーク ,  不確実性 ,  交通流 ,  精度 ,  対策 ,  ネットワーク構造 ,  通信 ,  ロバスト性 ,  機械学習 ,  サイバー攻撃
準シソーラス用語： 複雑性 ,  異常検出 ,  ネットワークトラフィック ,  ネットワークセキュリティ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： ネットワーク異常検出 ,  深層学習 ,  グラフ ,  GCN ,  LSTM

分類 (2件)： データ保護  (JD01020V) ,  計算機網  (JC03000K)

タイトルに関連する用語 (2件)： 異常検出 ,  スキーム