重みと距離による閾値を用いた攻撃検知の為のオーバーサンプリング手法の研究

• Item type: Symposium(1)
• 公開日: 2024-10-15
• タイトル / 言語: ja
• タイトル: 重みと距離による閾値を用いた攻撃検知の為のオーバーサンプリング手法の研究
• タイトル / 言語: en
• タイトル: An Oversampling Method Using Weight and Distance Thresholds for Cyber Attack Detection
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: オーバーサンプリング，機械学習，サイバー攻撃
• 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: 東北大学 大学院情報科学研究科
• 著者所属: 東北大学 サイバーサイエンスセンター
• 著者所属: 仙台高等専門学校
• 著者所属: 東北大学 サイバーサイエンスセンター／大学院情報科学研究科
• 著者所属: 東北大学 サイバーサイエンスセンター／大学院情報科学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Sciences, Tohoku University
• 著者所属(英): en
• 著者所属(英): Cyberscience Center, Tohoku University
• 著者所属(英): en
• 著者所属(英): National Institute of Technology, Sendai College
• 著者所属(英): en
• 著者所属(英): Cyberscience Center, Tohoku University / Graduate School of Information Sciences, Tohoku University
• 著者所属(英): en
• 著者所属(英): Cyberscience Center, Tohoku University / Graduate School of Information Sciences, Tohoku University
• 著者名: 松井, 遼太朗; ギリエ, ルイス; 和泉, 諭; 水木, 敬明; 菅沼, 拓夫
• 著者名(英): Ryotaro, Matsui; Luis, Guillen; Satoru, Izumi; Takaaki, Mizuki; Takuo, Suganuma
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 深刻化するサイバーセキュリティの脅威に対し，機械学習を用いた攻撃検知手法が数多く研究されている．これらの研究では，学習の際に用いるデータセットの多くはデータが不均衡であり，推定精度が低下する課題がある．この課題に対し，データセット内の少数派のデータ数を増やすことで不均衡問題を解決する，オーバーサンプリング手法がある．しかし，既存の手法では，意図しない不必要なデータが生成され，学習精度が下がってしまうため，その利用は限定的である．本研究では，各データの重みと距離による閾値を用いた，多数派と少数派クラスの境界部のデータを必要最小限の数だけ増やす新たなオーバーサンプリング手法を提案する．本発表では，アルゴリズムの概要と基本設計を述べ，既存の手法に対する有効性を評価する．その結果，提案手法は適合率・Ｆ値において既存手法を上回ることを示す．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In response to increasingly serious cybersecurity threats, a number of attack detection methods using machine learning have been studied. In these studies, many of the datasets used for training have imbalanced data, which reduces the accuracy of estimation. To address this issue, there are oversampling methods that solve the imbalance problem by increasing the number of minority data in the data set. However, existing methods generate unintended and unnecessary data, which reduces learning accuracy, so their use is limited. In this study, we propose a new oversampling method that increases the number of data at the boundary between majority and minority classes by the minimum number necessary, using a threshold based on the weight and distance of each minority data. This paper presents the basic design of the algorithm and evaluate its effectiveness against existing methods. Evaluation results demonstrate that the proposed method outperforms the existing ones in terms of fit rate and F-measure.
• 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. 1862-1868, 発行日 2024-10-15
• 出版者 / 言語: ja
• 出版者: 情報処理学会