文献

J-GLOBAL ID：202202281576711359   整理番号：22A0696527

モノのインターネットにおける効果的な侵入検出のための認知メモリ誘導自動エンコーダ【JST・京大機械翻訳】

Cognitive Memory-Guided AutoEncoder for Effective Intrusion Detection in Internet of Things

著者 (4件)： Lu Huimin (College of Computer Science and Technology, Qingdao University, Qingdao, China) ,  Wang Tian (Center for Future Multimedia and School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Xu Xing (Center for Future Multimedia and School of Computer Science and Engineering, University of Electronic Science and Technology of China, Chengdu, China) ,  Wang Ting (College of Electrical Engineering and Control Science, Nanjing Tech University, Nanjing, China)
資料名： IEEE Transactions on Industrial Informatics  (IEEE Transactions on Industrial Informatics)
巻： 18  号： 5  ページ： 3358-3366  発行年： 2022年 
JST資料番号： W1434A  ISSN： 1551-3203  CODEN： ITIICH  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： モノのインターネット(IoT)技術の開発によって,侵入検出は,ネットワーク侵入からIoT装置のための固体保護を提供する重要な技術になった。現在,人工知能技術は,以前の方法における侵入検出タスクに広く使用されている。しかし,未知の攻撃もネットワークの発達で生じ,攻撃サンプルは収集するのが困難であり,不均衡なサンプルカテゴリーをもたらす。この場合,以前の侵入検出法は,高い偽陽性率と低い検出精度の問題を持ち,実際の状況におけるこれらの方法の応用を制限する。本論文では,侵入検出タスクに取り組むために,深いニューラルネットワークに基づく新しい方法を提案し,それは認知メモリ誘導AutoEncoder(CMAE)と呼ばれる。CMAE法は,自己エンコーダの利点を継承しながら,通常の特徴パターンを保存する能力を高めるためにメモリモジュールを利用する。したがって,それは不均衡サンプルに対してロバストである。さらに,攻撃を検出する評価基準として再構成誤差を用いることは,未知の攻撃を効果的に検出する。優れた侵入検出性能を得るために,提案したメモリモジュールを制約する特徴再構成損失と特徴スパース性損失を提案し,メモリアイテムの識別と正常データの表現能力を促進した。以前の最先端の方法と比較して,十分な実験結果は,提案したCMAE法が侵入検出に対して優れた性能と有効性を達成することを明らかにした。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： *記憶装置 ,  検出 ,  ネットワーク ,  ニューラルネットワーク ,  *相互接続 ,  人工知能 ,  *符号器 ,  検出法 ,  再構成 ,  性質 ,  有効性 ,  ロバスト性 ,  サイバー攻撃
準シソーラス用語： 不均衡 ,  スパース性 ,  偽陽性率 ,  *モノのインターネット , 【Automatic Indexing@JST】

分類 (2件)： 計算機網  (JC03000K) ,  通信網  (ND07030A)

タイトルに関連する用語 (5件)： インターネット ,  侵入 ,  認知 ,  誘導 ,  エンコーダ