JP2019101982A - 学習装置、検知システム、学習方法及び学習プログラム - Google Patents
学習装置、検知システム、学習方法及び学習プログラム Download PDFInfo
- Publication number
- JP2019101982A JP2019101982A JP2017235370A JP2017235370A JP2019101982A JP 2019101982 A JP2019101982 A JP 2019101982A JP 2017235370 A JP2017235370 A JP 2017235370A JP 2017235370 A JP2017235370 A JP 2017235370A JP 2019101982 A JP2019101982 A JP 2019101982A
- Authority
- JP
- Japan
- Prior art keywords
- probability density
- communication data
- learning
- cluster
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
- G06F21/55—Detecting local intrusion or implementing counter-measures
- G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明の実施の形態について説明する。図1は、実施の形態に係る検知システムの構成の一例を示す図である。
次に、学習装置10の構成について説明する。図2は、図1に示す学習装置10の構成の一例を示す図である。学習装置10は、図2に示すように、収集部11及び学習部12を有する。
次に、検知装置20の構成について説明する。図5は、図1に示す検知装置20の構成の一例を示す図である。検知装置20は、図5に示すように、推定部21及び検知部22を有する。検知装置20は、異常の有無の検知対象の通信データ(検知対象データ)が入力される。また、検知装置20は、学習装置10が出力した各VAEの更新パラメータ及び各クラスタの事前分布が入力される。
次に、学習装置10の処理の流れについて説明する。図6は、図2に示す学習装置10が実行する学習処理の流れを説明する図である。
次に、統合部124が行う統合処理について説明する。統合部124は、第2の推定部123における個々のVAEが推定した各クラスタの確率密度を統合し、学習対象データ全体の確率密度を求める演算を行う。統合部124は、第2の推定部123における個々のVAEが推定した各クラスタの確率密度を基に、各クラスタCkがしたがう確率分布p(x|Ck)とクラスタCkに対応するクラスタの事前分布p(Ck)との積の合計を、各クラスタの確率密度の統合値として演算する。この演算を数式で表すと、以下の(1)式で表すことができる。
次に、検知装置の処理の流れについて説明する。図7は、図5に示す検知装置20が実行する検知処理の流れを説明する図である。
次に、学習処理の処理手順について説明する。図8は、図2に示す学習装置10による学習処理の処理手順を示すフローチャートである。
次に、検知処理の処理手順について説明する。図9は、図5に示す検知装置20による検知処理の処理手順を示すフローチャートである。
例えば、本実施の形態に係る検知システム1は、IoT機器の異常検知に適用することができる。図10は、実施の形態に係る検知システム1の適用例を説明する図である。図10に示すように、複数のIoT機器2が接続されたネットワーク3上に、検知システム1を設ける。この場合、検知システム1は、IoT機器2が送受信するトラフィックセッション情報を収集し、正常トラフィックセッションの確率密度の学習、及び、異常トラフィックセッションの検知を行う。正常トラフィックセッションの確率密度の学習には、上記学習処理を適用し、トラフィックセッションデータ間にデータ数の偏りがある場合にも精度よく学習を行う。また、異常トラフィックセッションの検知には、上記検知処理を適用し、学習処理において学習されたモデルパラメータを適用した確率密度推定を行い、高精度の異常検知を行う。
次に、実際のIoT機器間のトラフィックセッションデータに対し、従来手法と、本実施の形態に係る手法とで評価を行った結果を示す。
このように、本実施の形態に係る学習装置10は、学習対象データの確率密度を推定した後に、この確率密度に応じて学習対象データをクラスタリングし、クラスタごとに改めて学習を行う。すなわち、学習装置10は、クラスタごとの学習対象データの確率密度を推定して、クラスタごとの学習対象データの確率密度の特徴を表すモデルのパラメータを更新する。そして、学習装置10は、クラスタごとの確率密度を統合する。
図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、CPU及び当該CPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
図16は、プログラムが実行されることにより、学習装置10及び検知装置20が実現されるコンピュータの一例を示す図である。コンピュータ1000は、例えば、メモリ1010、CPU1020を有する。また、コンピュータ1000は、ハードディスクドライブインタフェース1030、ディスクドライブインタフェース1040、シリアルポートインタフェース1050、ビデオアダプタ1060、ネットワークインタフェース1070を有する。これらの各部は、バス1080によって接続される。
2 IoT機器
3 ネットワーク
10 学習装置
11 収集部
12 学習部
121 第1の推定部
122 クラスタリング部
123 第2の推定部
124 統合部
1211 VAE
1231,2111 第1VAE
1232,2112 第2VAE
1233,2113 第3VAE
20 検知装置
21 推定部
22 検知部
211 検知用推定部
212 統合部
Claims (6)
- 学習対象である正常な通信データを複数収集する収集部と、
前記正常な通信データの確率密度を推定する第1の推定部と、
前記第1の推定部によって推定された前記確率密度に応じて前記正常な通信データをクラスタリングするクラスタリング部と、
前記クラスタリング部によってクラスタリングされたクラスタごとに学習を行い、前記クラスタごとの前記正常な通信データの確率密度を推定して前記クラスタごとの前記正常な通信データの確率密度の特徴を表すモデルのパラメータを更新する第2の推定部と、
推定された前記クラスタごとの確率密度を統合する統合部と、
を有することを特徴とする学習装置。 - 前記第2の推定部は、前記クラスタごとに確率密度推定器を有し、各確率密度推定器は、前記クラスタごとに学習を行い、それぞれが有するモデルのパラメータを更新することを特徴とする請求項1に記載の学習装置。
- 通信データの確率密度の特徴を表すモデルを基に通信データの異常を検知する検知装置と、前記モデルのパラメータを更新する学習装置と、を有する検知システムであって、
前記学習装置は、
学習対象である正常な通信データを複数収集する収集部と、
前記正常な通信データの確率密度を推定する第1の推定部と、
前記第1の推定部によって推定された前記確率密度に応じて前記正常な通信データをクラスタリングするクラスタリング部と、
前記クラスタリング部によってクラスタリングされたクラスタごとに学習を行い、前記クラスタごとの前記正常な通信データの確率密度を推定して前記クラスタごとの前記モデルのパラメータを更新する第2の推定部と、
推定された前記クラスタごとの確率密度を統合する統合部と、
を有し、
前記検知装置は、
前記第2の推定部によって更新された前記モデルのパラメータを適用して、検知対象の通信データの確率密度を推定する第3の推定部と、
前記第3の推定部によって推定された確率密度を基に前記検知対象の通信データの異常の有無を検知する検知部と、
を有することを特徴とする検知システム。 - 前記第2の推定部は、前記クラスタごとに確率密度推定器を有し、各確率密度推定器は、前記クラスタごとに学習を行い、それぞれが有するモデルのパラメータを更新し、
前記統合部は、前記第2の推定部の各確率密度推定器がそれぞれ推定した確率密度を統合し、
前記第3の推定部は、前記第2の推定部が有する確率密度推定器と同数の確率密度推定器であって、それぞれが有するモデルのパラメータが前記第2の推定部によって更新された各パラメータに設定されている確率密度推定器を有し、各確率密度推定器が前記検知対象の通信データに対しそれぞれ推定した確率密度を統合し、統合後の確率密度を前記検知対象の通信データの確率密度として前記検知部に出力することを特徴とする請求項3に記載の検知システム。 - 学習装置によって実行される学習方法であって、
学習対象である正常な通信データを複数収集する収集工程と、
前記正常な通信データの確率密度を推定する第1の推定工程と、
前記第1の推定工程において推定された前記確率密度に応じて前記正常な通信データをクラスタリングするクラスタリング工程と、
前記クラスタリング工程においてクラスタリングされたクラスタごとに学習を行い、前記クラスタごとの前記正常な通信データの確率密度を推定して前記クラスタごとの前記正常な通信データの確率密度の特徴を表すモデルのパラメータを更新する第2の推定工程と、
推定された前記クラスタごとの確率密度を統合する統合工程と、
を含んだことを特徴とする学習方法。 - 学習対象である正常な通信データを複数収集する収集ステップと、
前記正常な通信データの確率密度を推定する第1の推定ステップと、
前記第1の推定ステップにおいて推定された前記確率密度に応じて前記正常な通信データをクラスタリングするクラスタリングステップと、
前記クラスタリングステップにおいてクラスタリングされたクラスタごとに学習を行い、前記クラスタごとの前記正常な通信データの確率密度を推定して前記クラスタごとの前記正常な通信データの確率密度の特徴を表すモデルのパラメータを更新する第2の推定ステップと、
推定された前記クラスタごとの確率密度を統合する統合ステップと、
をコンピュータに実行させるための学習プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017235370A JP6691094B2 (ja) | 2017-12-07 | 2017-12-07 | 学習装置、検知システム、学習方法及び学習プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017235370A JP6691094B2 (ja) | 2017-12-07 | 2017-12-07 | 学習装置、検知システム、学習方法及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2019101982A true JP2019101982A (ja) | 2019-06-24 |
JP6691094B2 JP6691094B2 (ja) | 2020-04-28 |
Family
ID=66977039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017235370A Active JP6691094B2 (ja) | 2017-12-07 | 2017-12-07 | 学習装置、検知システム、学習方法及び学習プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6691094B2 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020160743A (ja) * | 2019-03-26 | 2020-10-01 | 日本電信電話株式会社 | 評価装置、評価方法、および、評価プログラム |
JPWO2021009921A1 (ja) * | 2019-07-18 | 2021-01-21 | ||
JPWO2021111630A1 (ja) * | 2019-12-06 | 2021-06-10 | ||
WO2022059208A1 (ja) | 2020-09-18 | 2022-03-24 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
KR20220073307A (ko) * | 2020-11-26 | 2022-06-03 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
WO2022215270A1 (ja) * | 2021-04-09 | 2022-10-13 | 日本電気株式会社 | 予測モデル生成装置、予測モデル生成方法及び非一時的なコンピュータ可読媒体 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001101154A (ja) * | 1999-09-29 | 2001-04-13 | Nec Corp | 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置 |
JP2004312064A (ja) * | 2003-02-21 | 2004-11-04 | Intelligent Cosmos Research Institute | ネットワーク異常検出装置、ネットワーク異常検出方法およびネットワーク異常検出プログラム |
-
2017
- 2017-12-07 JP JP2017235370A patent/JP6691094B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001101154A (ja) * | 1999-09-29 | 2001-04-13 | Nec Corp | 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置 |
JP2004312064A (ja) * | 2003-02-21 | 2004-11-04 | Intelligent Cosmos Research Institute | ネットワーク異常検出装置、ネットワーク異常検出方法およびネットワーク異常検出プログラム |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7183904B2 (ja) | 2019-03-26 | 2022-12-06 | 日本電信電話株式会社 | 評価装置、評価方法、および、評価プログラム |
JP2020160743A (ja) * | 2019-03-26 | 2020-10-01 | 日本電信電話株式会社 | 評価装置、評価方法、および、評価プログラム |
JPWO2021009921A1 (ja) * | 2019-07-18 | 2021-01-21 | ||
WO2021009921A1 (ja) * | 2019-07-18 | 2021-01-21 | 日本電信電話株式会社 | 学習装置、検知システム、学習方法及び学習プログラム |
JP7302660B2 (ja) | 2019-07-18 | 2023-07-04 | 日本電信電話株式会社 | 学習装置、検知システム、学習方法及び学習プログラム |
AU2019457225B2 (en) * | 2019-07-18 | 2023-06-01 | Nippon Telegraph And Telephone Corporation | Learning device, detection system, learning method, and learning program |
CN114127698A (zh) * | 2019-07-18 | 2022-03-01 | 日本电信电话株式会社 | 学习装置、检测系统、学习方法以及学习程序 |
EP3979085A4 (en) * | 2019-07-18 | 2023-01-18 | Nippon Telegraph And Telephone Corporation | LEARNING DEVICE, DETECTION SYSTEM, LEARNING METHOD AND LEARNING PROGRAM |
JP7283578B2 (ja) | 2019-12-06 | 2023-05-30 | 富士通株式会社 | データ生成プログラム及び方法 |
WO2021111630A1 (ja) * | 2019-12-06 | 2021-06-10 | 富士通株式会社 | データ生成プログラム及び方法 |
JPWO2021111630A1 (ja) * | 2019-12-06 | 2021-06-10 | ||
WO2022059208A1 (ja) | 2020-09-18 | 2022-03-24 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
EP4202800A4 (en) * | 2020-09-18 | 2024-05-01 | Nippon Telegraph And Telephone Corporation | LEARNING DEVICE, LEARNING METHOD AND LEARNING PROGRAM |
KR102433598B1 (ko) | 2020-11-26 | 2022-08-18 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
KR20220073307A (ko) * | 2020-11-26 | 2022-06-03 | (주)심플랫폼 | 데이터 경계 도출 시스템 및 방법 |
WO2022215270A1 (ja) * | 2021-04-09 | 2022-10-13 | 日本電気株式会社 | 予測モデル生成装置、予測モデル生成方法及び非一時的なコンピュータ可読媒体 |
Also Published As
Publication number | Publication date |
---|---|
JP6691094B2 (ja) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6691094B2 (ja) | 学習装置、検知システム、学習方法及び学習プログラム | |
CN110115015B (zh) | 通过监测其行为检测未知IoT设备的系统和方法 | |
JP2019067387A (ja) | 異常検出のためのシステム、方法、およびコンピュータプログラム製品 | |
Zhao et al. | Adaptive concentration inequalities for sequential decision problems | |
US20230018908A1 (en) | Feedback-based control system for software defined networks | |
US11706236B2 (en) | Autonomous application of security measures to IoT devices | |
US11288101B2 (en) | Method and system for auto-setting of image acquisition and processing modules and of sharing resources in large scale video systems | |
JP2018147172A (ja) | 異常検知装置、異常検知方法及びプログラム | |
WO2018142703A1 (ja) | 異常要因推定装置、異常要因推定方法及びプログラム | |
US11599561B2 (en) | Data stream analytics | |
JP6845125B2 (ja) | 学習装置、学習方法及び学習プログラム | |
WO2019244902A1 (ja) | 評価装置及び評価方法 | |
Mu et al. | Efficient distributed sensing using adaptive censoring-based inference | |
CN110289992B (zh) | 一种报文处理方法及装置 | |
JP6935850B2 (ja) | 情報処理装置、方法、およびプログラム | |
CN116776155B (zh) | 一种基于联邦学习的模型训练方法、装置、设备和介质 | |
CN115118334B (zh) | 卫星通信帧头捕获方法、装置、通信设备和存储介质 | |
Arakawa et al. | Automated estimation of mouse social behaviors based on a hidden Markov model | |
JP7331938B2 (ja) | 学習装置、推定装置、学習方法及び学習プログラム | |
JP7302660B2 (ja) | 学習装置、検知システム、学習方法及び学習プログラム | |
CN107251519B (zh) | 用于检测通信网络上的假信息的攻击的系统、方法和介质 | |
JP7205628B2 (ja) | 情報処理装置、制御方法、およびプログラム | |
CN113486968B (zh) | 摄像机生命周期的监控方法、装置、设备和介质 | |
US20230334361A1 (en) | Training device, training method, and training program | |
WO2023082792A1 (zh) | 参数寻优方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190522 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200318 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200407 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200409 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6691094 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |