Detection of Network Anomalies with the Method of Fixing Jumps of the Fractal Dimension in the Online Mode

Sheluhin, Oleg I.; Rybakov, S. Y.; Vanyushina, A. V.

doi:10.1109/weconf55058.2022.9803635

Cited by 5 publications

(3 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Появились работы, в которых вопросы обнаружения и классификации КА стали интегрироваться с мето дами машинного обучения [4][5][6][7]. 7 В работе [5] на примере базы данных KDD Cup1999 [7,8] показано положительное влияние оценки самоподобных свойств сетевого трафика, характеризуемого средним значением показателя Херста на качество бинарной классификации.…”

Section: постановка задачиunclassified

“…В работах [5,6] на примере набора данных UNSW-NB15 приведены результаты исследования влияния широкого спектра статистических характеристик ФР на качество бинарной классификации. Показано, что параметры ФР могут рассматриваться как дополнительные информационные признаки (атрибуты) КА, учет которых в задачах классификации могут приводить к повышению достоверности обнаружения до 10 %.…”

Section: постановка задачиunclassified

“…Предложенная модификация алгоритма оценки ФР основана на использовании дополнительной фильтрации показателя Херста Ĥ внутри скользящего окна. Для получения достоверной оценки значения показателя Херста необходимо использовать вейвлеты типа Хаар поскольку при их использовании наблюдается самая низкая дисперсия оценки ФР [6].…”

Section: мультифрактальный спектр фрактальной размерности (мсфр)unclassified

See 2 more Smart Citations

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

2024

Cybersecurity Issues

View full text Add to dashboard Cite

Цель исследования: разработка метода повышения эффективности бинарной и многоклассовой классификации компьютерных атак (КА) путем использования дополнительных информативных признаков, в качестве которых предложно использовать мультифрактальный спектр фрактальной размерности (МСФР) обрабатываемых последовательностей.Методы исследования: дискретный вейвлет анализ, мультифрактальный анализ, машинное обучение, программная реализация комбинированного метода многоклассовой классификации в совокупности с методами фрактального анализа.Объектами исследования являются теоретические и практические вопросы разработки, реализации и визуализации алгоритмов обнаружения и классификации КА в целях информационной безопасности.Результаты исследования. Разработаны метод и алгоритм композиции машинного обучения и методов мультифрактального анализа обрабатываемых процессов с целью повышения эффективности многоклассовой классификации КА. Обоснованы границы изменения входных параметров алгоритма, для корректной многоклассовой классификации компьютерных атак. Показана целесообразность использования при классификации КА характеристик МСФР, что позволяет повысить эффективность классификации атак методами машинного обучения за счет расширения количества атрибутов параметрами МСФР.Практическая значимость: представленный метод является универсальным и может быть применен в различных системах обеспечения информационной безопасности.

show abstract

Section: постановка задачиunclassified

Section: мультифрактальный спектр фрактальной размерности (мсфр)unclassified

See 1 more Smart Citation

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

2024

Cybersecurity Issues

View full text Add to dashboard Cite

show abstract

Characteristics Assessment of Multifractal Spectrum of Fractal Dimension IoT-Traffic

Sheluhin,

Rybakov

2024

2024 Systems of Signal Synchronization, Generating and Processing in Telecommunications (SYNCHROINFO)

View full text Add to dashboard Cite

Multivalued Classification of Computer Attacks Using Artificial Neural Networks with Multiple Outputs

Shelukhin,

Rakovsky

2023

jour

View full text Add to dashboard Cite

Modern computer networks (CN), having a complex and often heterogeneous structure, generate large volumes of multi-dimensional multi-label data. Accounting for information about multi-label experimental data (ED) can improve the efficiency of solving a number of information security problems: from CN profiling to detecting and preventing computer attacks on CN. The aim of the work is to develop a multi-label artificial neural network (ANN) architecture for detecting and classifying computer attacks in multi-label ED, and its comparative analysis with known analogues in terms of binary metrics for assessing the quality of classification. A formalization of ANN in terms of matrix algebra is proposed, which allows taking into account the case of multi-label classification and the new architecture of ANN with multiple output using the proposed formalization. The advantage of the proposed formalization is the conciseness of a number of entries associated with the ANN operating mode and learning mode. Proposed architecture allows solving the problems of detecting and classifying multi-label computer attacks, on average, 5% more efficiently than known analogues. The observed gain is due to taking into account multi-label patterns between class labels at the training stage through the use of a common first layer. The advantages of the proposed ANN architecture are scalability to any number of class labels and fast convergence.

show abstract

Detection of Network Anomalies with the Method of Fixing Jumps of the Fractal Dimension in the Online Mode

Cited by 5 publications

References 10 publications

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

Classification of Computer Attacks Using Multifractal Spectrum of Fractal Dimension

Characteristics Assessment of Multifractal Spectrum of Fractal Dimension IoT-Traffic

Multivalued Classification of Computer Attacks Using Artificial Neural Networks with Multiple Outputs

Contact Info

Product

Resources

About