文献

J-GLOBAL ID：202202278988240440   整理番号：22A1036462

侵入検知システムのためのメタヒューリスティック自動エンコーダ深層学習モデル【JST・京大機械翻訳】

A Metaheuristic Autoencoder Deep Learning Model for Intrusion Detector System

著者 (6件)： Pandey Jay Kumar (Department of Electronics and Communication Engineering, Shri Ramswaroop Memorial University, Dewa Road, Barabanki, Uttar Pradesh, India) ,  Kumar Sumit (Indian Institute of Management, Kozhikode, India) ,  Lamin Madonna (Department of Computer Science and Engineering, ITM SLS Baroda University, Vadodara, Gujarat 391510, India) ,  Gupta Suneet (Department of CSE, School of Engineering and Technology, Mody University, Lakshmangarh, Rajasthan, India) ,  Dubey Rajesh Kumar (Department of Electrical Engineering, School of Engineering and Technology, Central University of Haryana, Mahendragarh, India) ,  Sammy F. (Department of Information Technology, Dambi Dollo University, Dembi Dolo, Welega, Ethiopia)
資料名： Mathematical Problems in Engineering (Web)  (Mathematical Problems in Engineering (Web))
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： U7803A  ISSN： 1024-123X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 多チャネル自動符号器深層学習アプローチを開発し,現在の侵入検知システム検出精度と誤り警報率に対処した。第1に,2つの別々の自動エンコーダを平均トラフィックと攻撃トラフィックで訓練する。オリジナルサンプルと2つの付加的特徴ベクトルは,多チャネル特徴ベクトルから成る。次に,一次元畳み込みニューラルネットワーク(CNN)は,通常と攻撃トラフィックの間のより良い識別のために,チャネルを横切る可能な関係を学習する。非支援多チャネル特性学習と教師つき交差チャネル特性依存性を用いて,効果的な侵入検出モデルを開発した。本研究の範囲は,本研究で記述した方法が,偽の正値を著しく最小化し,また,本論文の焦点である未知の攻撃の検出精度を改善することである。本研究は,侵入検出予測性能を改良するために行った。オートエンコーダは,異なるニューラルネットワークとの容易な統合を可能にすると同時に,特徴の数を減らすことに成功した。それは,その検出精度を改善すると同時に,モデルを訓練する時間を減らすことができる。進化アルゴリズムを利用して,ハイパーパラメータを最大化するためにCNNモデルの理想トポロジー集合を発見し,ネットワーク容量を改善し,チャネル間依存性を認識した。本論文は多チャネル自動符号器の有効性に基づいている。第4の実験は比較分析であり,種々の異なる侵入検出法の知見と相関させることにより,本論文におけるアプローチの利点を証明した。この技術はいくつかのデータセットにおいて以前の侵入検出アルゴリズムより優れ,優れた予測精度を持つ。Copyright 2022 Jay Kumar Pandey et al. 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 ,  位相幾何学 ,  *学習 ,  ニューラルネットワーク ,  精度 ,  *符号器 ,  検出法 ,  集合 ,  一次元 ,  *セキュリティシステム ,  *機械学習 ,  サイバー攻撃
準シソーラス用語： 特徴ベクトル ,  予測精度 ,  誤警報 ,  *侵入検知システム ,  検出アルゴリズム ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  データ保護  (JD01020V) ,  計算機網  (JC03000K)

引用文献 (20件)：

• S. Araki, T. Hayashi, M. Delcroix, M. Fujimoto, K. Takeda, T. Nakatani, "Exploring Multi-channel features for denoising-autoencoder-based speech enhancement," Proceedings of the International Conference on Acoustics, Speech and Signal Processing (ICASSP), pp. 116-120, South Brisbane, QLD, Australia, April 2015.
• K. Zmolikova, M. Delcroix, L. Burget, T. Nakatani, J. H. Černocky, "Integration of variational autoencoder and spatial clustering for adaptive multi-channel neural speech separation," Proceedings of the Spoken Language Technology Workshop (SLT), pp. 889-896, Shenzhen, China, January 2021.
• D. Ayata, Y. Yaslan, M. Kamasak, "Multi channel brain EEG signals based emotional arousal classification with unsupervised feature learning using autoencoders," Proceedings of the 2017 25th Signal Processing and Communications Applications Conference (SIU), pp. 1-4, Antalya, Turkey, May 2017.
• S. Thakkar, C. Cao, L. Wang, T. J. Choi, J. Togelius, "Autoencoder and evolutionary algorithm for level generation in lode runner," Proceedings of the 2019 IEEE Conference on Games (CoG), pp. 1-4, London, UK, August 2019.
• O. Nikisins, A. George, S. Marcel, "Domain adaptation in multi-channel autoencoder based features for robust face anti-spoofing," Proceedings of the 2019 International Conference on Biometrics (ICB), pp. 1-8, Crete, Greece, June 2019.

タイトルに関連する用語 (5件)： 侵入検知システム ,  ヒューリスティック ,  エンコーダ ,  深層学習 ,  モデル