不確実なデータラベルを前提とした機械学習によるサイバー攻撃検知のための誤ラベル訂正

• Item type: Symposium(1)
• 公開日: 2024-10-15
• タイトル / 言語: ja
• タイトル: 不確実なデータラベルを前提とした機械学習によるサイバー攻撃検知のための誤ラベル訂正
• タイトル / 言語: en
• タイトル: Label Correction for Machine Learning-Based Cyber Attack Detection Assuming Uncertainty in Data Labels
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: サイバー攻撃，機械学習，グランドトルゥース，アノテーション，データラベル
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_5794
• 資源タイプ: conference paper
• 著者所属: 神戸大学大学院工学研究科
• 著者所属: 神戸大学大学院工学研究科
• 著者所属: 神戸大学
• 著者所属: LINEヤフー株式会社
• 著者所属: LINEヤフー株式会社
• 著者所属: LINEヤフー株式会社
• 著者所属: 神戸大学大学院工学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Kobe University
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Kobe University
• 著者所属(英): en
• 著者所属(英): Kobe University
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者所属(英): en
• 著者所属(英): LY Corporation
• 著者所属(英): en
• 著者所属(英): Graduate School of Engineering, Kobe University
• 著者名: 浦川, 遥輝; 山田, 明; Joo, Suwon; Vestin, Simon; Wang, Hui; Park, Chanho; 小澤, 誠一
• 著者名(英): Haruki, Urakawa; Akira, Yamada; Joo, Suwon; Vestin, Simon; Wang, Hui; Park, Chanho; Seiich, Ozawa
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 機械学習は，さまざまな課題においてデータに基づいてモデル構築を実現しているが，サイバー攻撃検知において正確なラベルが付与されないため高い精度を実現できない問題がある．本稿では，不確実なデータラベルを前提とした機械学習によるサイバー攻撃検知のための誤ラベル訂正手法を提案する．従来手法であるConfident Learningは，画像分類など汎用的なタスクにおいてクラスの組ごとに独立に誤ラベルが発生する場合に対応できる．しかしながら，サイバー攻撃検知においては，正例と負例の均衡がとれていない場合が多い．また，インシデントに基づいて運用者がラベル付けを行うため，時刻がずれることによって発生する誤ラベルが多い．本稿では，Confident Learningを拡張して，データセットの不均衡性と時刻のずれに対して頑強な誤ラベル訂正手法を提案する．提案手法の有効性を検証するために，公開されているCICIDS2017データセットおよび，企業ネットワークに設置された侵入検知システムのログを用いて評価した．その結果，提案手法は，従来手法に比べて高い精度で誤ラベルを訂正できることが分かった．また，侵入検知システムのログにおいて，ラベル時刻のずれを訂正できることを確認した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Machine learning has enabled model development based on data across various domains. However, in cyber-attack detection, the lack of accurate labels hinders high accuracy. This paper proposes a method for correcting mislabeled data in cyber-attack detection using machine learning, assuming uncertain data labels. Confident Learning, a conventional method, can handle situations where label errors occur independently within each class in general tasks such as image classification. However, in cyber-attack detection, there is often a significant imbalance between positive and negative labels. Additionally, since labels are assigned by operators based on incidents, mislabeling regarding time discrepancies frequently occurs. This paper proposes an extension of Confident Learning that provides a robust method for correcting mislabeled data, addressing both dataset imbalance and time discrepancies. To validate the effectiveness of the proposed method, we evaluated it using the publicly available CICIDS2017 dataset and logs from an IDS(Intrusion Detection System) deployed in an enterprise network. The results demonstrate that the proposed method can correct mislabeled data with higher accuracy compared to conventional methods. Furthermore, we confirmed that the method can correct time discrepancies in the labels within the IDS logs.
• 書誌情報: コンピュータセキュリティシンポジウム2024論文集; p. 76-83, 発行日 2024-10-15
• 出版者 / 言語: ja
• 出版者: 情報処理学会