JP7680980B2 - 複雑性算出装置、複雑性算出方法及び複雑性算出プログラム - Google Patents
複雑性算出装置、複雑性算出方法及び複雑性算出プログラム Download PDFInfo
- Publication number
- JP7680980B2 JP7680980B2 JP2022051846A JP2022051846A JP7680980B2 JP 7680980 B2 JP7680980 B2 JP 7680980B2 JP 2022051846 A JP2022051846 A JP 2022051846A JP 2022051846 A JP2022051846 A JP 2022051846A JP 7680980 B2 JP7680980 B2 JP 7680980B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- complexity
- data
- sets
- 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.)
- Active
Links
Images
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
Description
本発明は、通信データの複雑性を算出するための装置、方法及びプログラムに関する。
従来、異常検知等の通信データを分析する手法を選定するため、あるいは、通信デバイスの特性又は機種等の推測又はグルーピングのために、通信データの複雑性を評価して利用することが行われている。
例えば、特許文献１では、デバイス識別において、パケットシーケンス、パケットサイズ、パケットの間隔を含む複数のパケット間の相関、又はエントロピーに基づいて、デバイス検出プロセスを実行することが示されている。
ここで算出されるエントロピーは、個々のレコードに対して算出されるものである。
ここで算出されるエントロピーは、個々のレコードに対して算出されるものである。
時系列データに対する従来の複雑性指標は、センサデータ等の１次元を対象としたものであるため、複数の次元を持つ通信データに対して、１次元の手法をそのまま適用して複雑性を評価することは難しかった。
また、通信データの複雑性指標としてエントロピーを算出する手法はあるが、１つのレコード内の特定のフィールドに着目して計算するものであるため、個々のレコードの複雑性を評価することはできるが、通信の連続性を考慮した複雑性を評価することができなかった。
また、通信データの複雑性指標としてエントロピーを算出する手法はあるが、１つのレコード内の特定のフィールドに着目して計算するものであるため、個々のレコードの複雑性を評価することはできるが、通信の連続性を考慮した複雑性を評価することができなかった。
本発明は、データの連続性を考慮した複雑性を評価できる複雑性算出装置、複雑性算出方法及び複雑性算出プログラムを提供することを目的とする。
本発明に係る複雑性算出装置は、複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定部と、連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出部と、複数抽出された前記特徴量セットの中から、ユニークな特徴量セットの集合を作成する集合作成部と、前記ユニークな特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出部と、前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力部と、を備える。
前記連続データは、通信情報の時系列データであってもよい。
前記時系列データは、フローデータであってもよい。
前記特徴量選定部は、複数のフィールド間で特定の処理を行い、新たに作成したフィールドを前記特徴量の一部として選定してもよい。
前記特徴量選定部は、複数のパターンで特徴量を選定し、前記指標出力部は、前記複数のパターンのそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値としてもよい。
前記特徴量セット抽出部は、前記データ数を複数設定し、前記指標出力部は、複数の前記データ数のそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値としてもよい。
本発明に係る複雑性算出方法は、複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定ステップと、連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出ステップと、複数抽出された前記特徴量セットの中から、ユニークな特徴量セットの集合を作成する集合作成ステップと、前記ユニークな特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出ステップと、前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力ステップと、をコンピュータが実行する。
本発明に係る複雑性算出プログラムは、前記複雑性算出装置としてコンピュータを機能させるためのものである。
本発明によれば、データの連続性を考慮した複雑性を評価することができる。
以下、本発明の実施形態の一例について説明する。
本実施形態の複雑性算出方法では、ＩＰＦＩＸ等の集約情報、又は通信データのヘッダ情報を使用して、デバイスが送受信する通信において、通信の連続性を考慮した複雑性を示す指標が出力される。
本実施形態の複雑性算出方法では、ＩＰＦＩＸ等の集約情報、又は通信データのヘッダ情報を使用して、デバイスが送受信する通信において、通信の連続性を考慮した複雑性を示す指標が出力される。
図１は、本実施形態における複雑性算出装置１の機能構成を示す図である。
複雑性算出装置１は、制御部１０及び記憶部２０の他、各種データの入出力デバイス及び通信デバイス等を備えた情報処理装置である。
複雑性算出装置１は、制御部１０及び記憶部２０の他、各種データの入出力デバイス及び通信デバイス等を備えた情報処理装置である。
制御部１０は、複雑性算出装置１の全体を制御する部分であり、記憶部２０に記憶された各種プログラムを適宜読み出して実行することにより、本実施形態における各機能を実現する。制御部１０は、ＣＰＵであってよい。
具体的には、制御部１０は、特徴量選定部１１と、特徴量セット抽出部１２と、集合作成部１３と、エントロピー算出部１４と、指標出力部１５とを備える。
具体的には、制御部１０は、特徴量選定部１１と、特徴量セット抽出部１２と、集合作成部１３と、エントロピー算出部１４と、指標出力部１５とを備える。
記憶部２０は、ハードウェア群を複雑性算出装置１として機能させるための各種プログラム、及び各種データ等の記憶領域であり、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスクドライブ（ＨＤＤ）等であってよい。具体的には、記憶部２０は、本実施形態の各機能を制御部１０に実行させるためのプログラム（複雑性算出プログラム）を記憶し、さらに、処理対象として受信した連続データ、及び演算結果等を記憶する。
特徴量選定部１１は、ユーザからの選択入力等に従って、複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する。
さらに、特徴量選定部１１は、複数のフィールド間で四則演算等、特定の処理を行い、新たに作成したフィールドを特徴量の一部として選定してもよい。
また、特徴量選定部１１は、複数のパターンで特徴量を選定してもよい。
さらに、特徴量選定部１１は、複数のフィールド間で四則演算等、特定の処理を行い、新たに作成したフィールドを特徴量の一部として選定してもよい。
また、特徴量選定部１１は、複数のパターンで特徴量を選定してもよい。
ここで、連続データは、例えば、ＩｏＴデバイス等からの出力データの他、双方向の通信情報の時系列データであってもよい。通信情報は、例えばパケットのヘッダ情報であってもよいし、統計情報が格納されたフローデータの列であってもよい。
また、これらの連続データは、例えば、固定の周期でサンプリングされたものであってもよい。
また、これらの連続データは、例えば、固定の周期でサンプリングされたものであってもよい。
特徴量セット抽出部１２は、連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する。
このとき、特徴量セット抽出部１２は、データ数を複数設定してもよい。この場合、特徴量セット抽出部１２は、データ数毎に特徴量セットを抽出する。
このとき、特徴量セット抽出部１２は、データ数を複数設定してもよい。この場合、特徴量セット抽出部１２は、データ数毎に特徴量セットを抽出する。
集合作成部１３は、複数抽出された特徴量セットの中から、ユニークな特徴量セットの集合を作成する。
エントロピー算出部１４は、ユニークな特徴量セットの集合において、各特徴量セットのエントロピーを算出し、これらのエントロピーの総和を計算する。
指標出力部１５は、計算されたエントロピーの総和を所定の値域に正規化し、複雑性指標として出力する。
このとき、指標出力部１５は、複数のパターンで選定された特徴量、及び複数設定されたデータ数のそれぞれから算出された複数の複雑性指標から統計量を求め、最終的な複雑性指標として出力してもよい。
統計量は、例えば、平均値、中央値、最大値、最小値等であってよい。また、指標出力部１５は、複数の複雑性指標から標準偏差を計算し、複雑性指標に幅を持たせて出力してもよい。
このとき、指標出力部１５は、複数のパターンで選定された特徴量、及び複数設定されたデータ数のそれぞれから算出された複数の複雑性指標から統計量を求め、最終的な複雑性指標として出力してもよい。
統計量は、例えば、平均値、中央値、最大値、最小値等であってよい。また、指標出力部１５は、複数の複雑性指標から標準偏差を計算し、複雑性指標に幅を持たせて出力してもよい。
図２は、本実施形態における複雑性算出方法の流れを示すフローチャートである。
ここでは、通信データとしてＩＰＦＩＸを用いた場合の具体的な複雑性指標の算出手順を例示する。
ここでは、通信データとしてＩＰＦＩＸを用いた場合の具体的な複雑性指標の算出手順を例示する。
ＩＰＦＩＸには、次のようなフィールド（ＩＰＦＩＸエレメント）がある。
flowEndMilliseconds：フローが終了した時刻。
flowStartMilliseconds：フローが開始した時刻。
flowDurationMilliseconds：フローの継続時間。
reverseFlowDeltaMilliseconds：フローの最初の行きパケットと帰りパケットとの時間の差。
protocolIdentifier：フローのプロトコル（ＩＣＭＰ、ＴＣＰ、ＵＤＰ等）。
sourceIPv4Address：送信元のＩＰｖ４アドレス。
sourceTransportPort：送信元のポート番号。
packetTotalCount：フローに含まれる行き方向のパケット数。
octetTotalCount：フローに含まれる行き方向のオクテット数。
sourceMacAddress：送信元のＭＡＣアドレス。
destinationIPv4Address：宛先のＩＰｖ４アドレス。
destinationTransportPort：宛先のポート番号。
reversePacketTotalCount：フローに含まれる帰り方向のパケット数。
reverseOctetTotalCount：フローに含まれる帰り方向のオクテット数。
flowEndMilliseconds：フローが終了した時刻。
flowStartMilliseconds：フローが開始した時刻。
flowDurationMilliseconds：フローの継続時間。
reverseFlowDeltaMilliseconds：フローの最初の行きパケットと帰りパケットとの時間の差。
protocolIdentifier：フローのプロトコル（ＩＣＭＰ、ＴＣＰ、ＵＤＰ等）。
sourceIPv4Address：送信元のＩＰｖ４アドレス。
sourceTransportPort：送信元のポート番号。
packetTotalCount：フローに含まれる行き方向のパケット数。
octetTotalCount：フローに含まれる行き方向のオクテット数。
sourceMacAddress：送信元のＭＡＣアドレス。
destinationIPv4Address：宛先のＩＰｖ４アドレス。
destinationTransportPort：宛先のポート番号。
reversePacketTotalCount：フローに含まれる帰り方向のパケット数。
reverseOctetTotalCount：フローに含まれる帰り方向のオクテット数。
ステップＳ１において、特徴量選定部１１は、これらのフィールドからｃ個のフィールドを選定し、ｃ個のフィールドの組み合わせを特徴量Ｆとする。例えば、３つフィールドを選定した場合、ｉ番目のレコードの特徴量は、
Ｆｉ＝（packetTotalCount, octetTotalCount, reversePacketTotalCount）
のようになる。
また、前述のように、特徴量選定部１１は、これらのフィールドのいずれかを用いて、例えば、送受信比率（送信パケット数／受信パケット数）等の演算結果を特徴量に含めてもよい。
Ｆｉ＝（packetTotalCount, octetTotalCount, reversePacketTotalCount）
のようになる。
また、前述のように、特徴量選定部１１は、これらのフィールドのいずれかを用いて、例えば、送受信比率（送信パケット数／受信パケット数）等の演算結果を特徴量に含めてもよい。
図３は、本実施形態における連続データとして取得したＩＰＦＩＸレコードを例示する図である。
ここでは、選定された３つのフィールドのみを示しており、複雑性を計測する期間として取得したレコード総数は８（レコード番号１～８）である。
ここでは、選定された３つのフィールドのみを示しており、複雑性を計測する期間として取得したレコード総数は８（レコード番号１～８）である。
ステップＳ２において、特徴量セット抽出部１２は、ｄ個の連続データを１つのセットとして扱い、各セットから特徴量セットを抽出する。
例えば、図３のようなＩＰＦＩＸレコードにおいて、ｄ＝３とした場合、特徴量セットとなりうるレコード番号の組み合わせは次のようになる。
{(1,2,3), (2,3,4), (3,4,5) (4,5,6), (5,6,7), (6,7,8)}
なお、複雑性指標の算出に使用するレコード数の総数をｚ（図３の例では８）とすると、特徴量セットの数は、ｚ－ｄ＋１（＝８－３＋１＝６）となる。
例えば、図３のようなＩＰＦＩＸレコードにおいて、ｄ＝３とした場合、特徴量セットとなりうるレコード番号の組み合わせは次のようになる。
{(1,2,3), (2,3,4), (3,4,5) (4,5,6), (5,6,7), (6,7,8)}
なお、複雑性指標の算出に使用するレコード数の総数をｚ（図３の例では８）とすると、特徴量セットの数は、ｚ－ｄ＋１（＝８－３＋１＝６）となる。
ここで、抽出される特徴量セットは、例えば、レコード番号が（１，２，３）の組み合わせの場合、
Ｆ(1,2,3)＝{Ｆ１，Ｆ２，Ｆ３}＝{(8, 400, 300), (8, 400, 300), (4, 160, 80)}
である。
Ｆ(1,2,3)＝{Ｆ１，Ｆ２，Ｆ３}＝{(8, 400, 300), (8, 400, 300), (4, 160, 80)}
である。
ステップＳ３において、集合作成部１３は、生成された特徴量セットの中から、ユニークな特徴量セットの集合を作成する。
図３の例の場合、Ｆ(1,2,3)＝Ｆ(5,6,7)となるため、ユニークな特徴量セットの集合は、
{(1,2,3), (2,3,4), (3,4,5), (4,5,6), (6,7,8)}
となる。
図３の例の場合、Ｆ(1,2,3)＝Ｆ(5,6,7)となるため、ユニークな特徴量セットの集合は、
{(1,2,3), (2,3,4), (3,4,5), (4,5,6), (6,7,8)}
となる。
ステップＳ４において、エントロピー算出部１４は、複雑性を計測する期間に含まれる通信データにおいて、各特徴量セットの出現頻度（出現数）を計算する。
例えば、図３の例の場合、特徴量セット毎の出現頻度は、次のように計算される。
(1,2,3)=2, (2,3,4)=1, (3,4,5)=1, (4,5,6)=1, (6,7,8)=1
例えば、図３の例の場合、特徴量セット毎の出現頻度は、次のように計算される。
(1,2,3)=2, (2,3,4)=1, (3,4,5)=1, (4,5,6)=1, (6,7,8)=1
ステップＳ５において、エントロピー算出部１４は、ユニークな特徴量セットの集合における要素毎のエントロピー（平均情報量）を計算し、さらに、各特徴量セットのエントロピーを総和した合計値を計算する。
ここで、ユニークな特徴量セットの集合における要素数をＮとし、ｉ番目の要素の出現頻度をＶｉとすると、各特徴量セットのエントロピーの総和は、
であり、図３の例では、
となる。
ステップＳ６において、指標出力部１５は、エントロピーの合計値Ｅを、要素数Ｎに応じた最大エントロピーで割り、値の範囲が０以上１以下となるように正規化して複雑性指標Ｅｐとする。
図３の例では、複雑性指標Ｅｐは、
となる。
なお、前述のように、複数のパターンでフィールド選定された場合、又は特徴量セットに含める連続データ数ｄが複数設定された場合、パターン及びデータ数毎に、ステップＳ１～Ｓ６が実行され、複数の複雑性指標が算出される。
ステップＳ７において、指標出力部１５は、算出した複雑性指標Ｅｐを出力する。複数の複雑性指標Ｅｐが算出された場合、指標出力部１５は、これらの統計量を求め、最終的な複雑性指標として出力する。
本実施形態によれば、複雑性算出装置１は、複数のフィールドを持つ連続データに対して、連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出し、ユニークな特徴量セットのエントロピーを総和することにより複雑性指標を算出する。
したがって、複雑性算出装置１は、センサの出力や通信の時系列データ等から取得した連続データに対して、データの連続性を考慮した複雑性を、処理負荷の小さい簡易な計算により評価することができる。
したがって、複雑性算出装置１は、センサの出力や通信の時系列データ等から取得した連続データに対して、データの連続性を考慮した複雑性を、処理負荷の小さい簡易な計算により評価することができる。
この結果、例えば、通信データに対する異常検知を実施する場合に、通信データの複雑性を事前に把握することで、複雑性が低い場合にはホワイトリストを、複雑性が高い場合には決定木、あるいはディープラーニングを用いる等、分析手法の選定範囲を絞ることができる。
また、通信データの複雑性によって、通信元のデバイスの特性又は機種等を推測し、分類することができる。
また、通信データの複雑性によって、通信元のデバイスの特性又は機種等を推測し、分類することができる。
複雑性算出装置１は、通信データに関して、フローデータを対象とすることにより、複数パケットが集約されたレコードから特徴量を取得できるため、連続データ数ｄを小さくし、計算効率を向上できる。
複雑性算出装置１は、複数のフィールド間で特定の処理を行い、新たに作成したフィールドを特徴量の一部として選定してもよく、これにより、多彩な特徴量を用いて、データの特性に応じた複雑性の評価を適切に実施できる。
複雑性算出装置１は、複数のパターンで特徴量を選定、あるいは、連続データ数ｄを複数設定することで、複数の複雑性指標を算出し、統計量を出力してもよい。
これにより、複雑性算出装置１は、最適な特徴量及びデータ数が不明な場合であっても、評価結果の信頼性を向上できる他、最大値又は最小値等の要求された指標を適切に出力できる。
なお、連続データ数ｄは、２以上７以下程度とするのが好ましく、これにより、計算量を抑えつつ、連続データの特徴を適切に抽出して複雑性を評価できる。
これにより、複雑性算出装置１は、最適な特徴量及びデータ数が不明な場合であっても、評価結果の信頼性を向上できる他、最大値又は最小値等の要求された指標を適切に出力できる。
なお、連続データ数ｄは、２以上７以下程度とするのが好ましく、これにより、計算量を抑えつつ、連続データの特徴を適切に抽出して複雑性を評価できる。
前述の実施形態により、例えば、通信データの分析を効率化できることから、国連が主導する持続可能な開発目標（ＳＤＧｓ）の目標９「レジリエントなインフラを整備し、持続可能な産業化を推進するとともに、イノベーションの拡大を図る」に貢献することが可能となる。
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、前述した実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、実施形態に記載されたものに限定されるものではない。
複雑性算出装置１による複雑性算出方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、情報処理装置（コンピュータ）にインストールされる。また、これらのプログラムは、ＣＤ－ＲＯＭのようなリムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。さらに、これらのプログラムは、ダウンロードされることなくネットワークを介したＷｅｂサービスとしてユーザのコンピュータに提供されてもよい。
１ 複雑性算出装置
１０ 制御部
１１ 特徴量選定部
１２ 特徴量セット抽出部
１３ 集合作成部
１４ エントロピー算出部
１５ 指標出力部
２０ 記憶部
１０ 制御部
１１ 特徴量選定部
１２ 特徴量セット抽出部
１３ 集合作成部
１４ エントロピー算出部
１５ 指標出力部
２０ 記憶部
Claims (8)
- 複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定部と、
連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出部と、
複数抽出された前記特徴量セットの中から、一意な特徴量セットの集合を作成する集合作成部と、
前記一意な特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出部と、
前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力部と、を備え、
前記特徴量選定部は、複数のパターンで特徴量を選定し、
前記指標出力部は、前記複数のパターンのそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値とする複雑性算出装置。 - 複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定部と、
連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出部と、
複数抽出された前記特徴量セットの中から、一意な特徴量セットの集合を作成する集合作成部と、
前記一意な特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出部と、
前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力部と、を備え、
前記特徴量セット抽出部は、前記データ数を複数設定し、
前記指標出力部は、複数の前記データ数のそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値とする複雑性算出装置。 - 前記連続データは、通信情報の時系列データである請求項１又は請求項２に記載の複雑性算出装置。
- 前記時系列データは、フローデータである請求項３に記載の複雑性算出装置。
- 前記特徴量選定部は、複数のフィールド間で特定の処理を行い、新たに作成したフィールドを前記特徴量の一部として選定する請求項１から請求項４のいずれかに記載の複雑性算出装置。
- 複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定ステップと、
連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出ステップと、
複数抽出された前記特徴量セットの中から、一意な特徴量セットの集合を作成する集合作成ステップと、
前記一意な特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出ステップと、
前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力ステップと、をコンピュータが実行し、
前記特徴量選定ステップにおいて、複数のパターンで特徴量を選定し、
前記指標出力ステップにおいて、前記複数のパターンのそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値とする複雑性算出方法。 - 複数のフィールドを持つ連続データに対して、特徴量として１つ以上のフィールドを選定する特徴量選定ステップと、
連続する所定のデータ数の特徴量からなる特徴量セットを順に複数抽出する特徴量セット抽出ステップと、
複数抽出された前記特徴量セットの中から、一意な特徴量セットの集合を作成する集合作成ステップと、
前記一意な特徴量セットの集合において、各特徴量セットのエントロピーを算出し、当該エントロピーの総和を計算するエントロピー算出ステップと、
前記エントロピーの総和を所定の値域に正規化し、複雑性指標として出力する指標出力ステップと、をコンピュータが実行し、
前記特徴量セット抽出ステップにおいて、前記データ数を複数設定し、
前記指標出力ステップにおいて、複数の前記データ数のそれぞれから算出された複数の前記複雑性指標から統計量を求め、出力値とする複雑性算出方法。 - 請求項１から請求項５のいずれかに記載の複雑性算出装置としてコンピュータを機能させるための複雑性算出プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022051846A JP7680980B2 (ja) | 2022-03-28 | 2022-03-28 | 複雑性算出装置、複雑性算出方法及び複雑性算出プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022051846A JP7680980B2 (ja) | 2022-03-28 | 2022-03-28 | 複雑性算出装置、複雑性算出方法及び複雑性算出プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023144725A JP2023144725A (ja) | 2023-10-11 |
| JP7680980B2 true JP7680980B2 (ja) | 2025-05-21 |
Family
ID=88253042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022051846A Active JP7680980B2 (ja) | 2022-03-28 | 2022-03-28 | 複雑性算出装置、複雑性算出方法及び複雑性算出プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7680980B2 (ja) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011244098A (ja) | 2010-05-14 | 2011-12-01 | Nippon Telegr & Teleph Corp <Ntt> | トラフィック分析システム及びトラフィック分析方法 |
| US20160292418A1 (en) | 2015-03-30 | 2016-10-06 | Cylance Inc. | Wavelet decomposition of software entropy to identify malware |
| JP2019145081A (ja) | 2017-12-19 | 2019-08-29 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | ビークルのサイバー攻撃事象を検知する方法及びシステム |
| WO2019176997A1 (ja) | 2018-03-14 | 2019-09-19 | 日本電気株式会社 | トラヒック分析装置、方法及びプログラム |
-
2022
- 2022-03-28 JP JP2022051846A patent/JP7680980B2/ja active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011244098A (ja) | 2010-05-14 | 2011-12-01 | Nippon Telegr & Teleph Corp <Ntt> | トラフィック分析システム及びトラフィック分析方法 |
| US20160292418A1 (en) | 2015-03-30 | 2016-10-06 | Cylance Inc. | Wavelet decomposition of software entropy to identify malware |
| JP2019145081A (ja) | 2017-12-19 | 2019-08-29 | ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ | ビークルのサイバー攻撃事象を検知する方法及びシステム |
| WO2019176997A1 (ja) | 2018-03-14 | 2019-09-19 | 日本電気株式会社 | トラヒック分析装置、方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023144725A (ja) | 2023-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP4116853A1 (en) | Computer-readable recording medium storing evaluation program, evaluation method, and information processing device | |
| Bujlow et al. | A method for classification of network traffic based on C5. 0 Machine Learning Algorithm | |
| CN111475680A (zh) | 检测异常高密子图的方法、装置、设备及存储介质 | |
| CN108234524A (zh) | 网络数据异常检测的方法、装置、设备及存储介质 | |
| CN103905261B (zh) | 协议特征库在线更新方法及系统 | |
| CN116232696B (zh) | 基于深度神经网络的加密流量分类方法 | |
| CN111984544B (zh) | 设备性能测试方法、装置、电子设备及存储介质 | |
| US20200021608A1 (en) | Information processing apparatus, communication inspecting method and medium | |
| CN107967488A (zh) | 一种服务器的分类方法及分类系统 | |
| Moser et al. | Identifying features of fitness landscapes and relating them to problem difficulty | |
| CN117459565A (zh) | 基于随机森林模型的网络流量中异常活跃用户检测方法 | |
| CN111131070A (zh) | 一种基于端口时间序列的网络流量分类方法、装置及存储介质 | |
| CN106878314A (zh) | 基于可信度的网络恶意行为检测方法 | |
| CN113067724B (zh) | 基于随机森林的周期性流量预测方法 | |
| JP7680980B2 (ja) | 複雑性算出装置、複雑性算出方法及び複雑性算出プログラム | |
| CN118282913A (zh) | 基于人工智能的信令网多协议关联分析方法 | |
| CN106850658B (zh) | 实时在线学习的网络恶意行为检测方法 | |
| WO2019235550A1 (ja) | 判定装置、判定方法及び判定プログラム | |
| Oudah et al. | A Novel Features Set for Internet Traffic Classification using Burstiness. | |
| CN114764647A (zh) | 一种业务质量评估方法、装置及电子设备 | |
| CN118764292B (zh) | 基于漏洞指纹的电力漏洞定位方法、装置、设备和介质 | |
| Ma et al. | Grammatch: An automatic protocol feature extraction and identification system | |
| CN118035853B (zh) | 基于流量指纹的工控设备识别方法、相关设备及产品 | |
| US12141284B2 (en) | Method for detecting anomalies in an information system, computer program and system for detecting anomalies implementing such a method | |
| JP6662812B2 (ja) | 計算装置及び計算方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240209 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20241216 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250107 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250228 |
|
| 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: 20250415 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250509 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7680980 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |