Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Choose for AI and for Explainability Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

A Domain Adaptation Technique for Deep Learning in Cybersecurity

verfasst von : Aryya Gangopadhyay, Iyanuoluwa Odebode, Yelena Yesha

Erschienen in: On the Move to Meaningful Internet Systems: OTM 2019 Workshops

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper we discuss an algorithm for transfer learning in cybersecurity. In particular, we develop a new image-based representation for the feature set in the source domain and train a convolutional neural network (CNN) using the training data. The CNN model is then augmented with one dense layer in the target domain before applying on the target dataset. The data we have used for our experimental results are taken from the Canadian Institute of Cybersecurity. The results show that transfer learning is feasible in cybersecurity which offers many potential applications including resource-constrained environments such as edge computing.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel SDN-GAN: Generative Adversarial Deep NNs for Synthesizing Cyber Attacks on Software Defined Networks
Nächstes Kapitel DeepNet: A Deep Learning Architecture for Network-Based Anomaly Detection
Literatur
1.
Sharafaldin, I., Laskhari, A.H., Ghorbani, A.A.: Toward generating a new intrusion detection dataset and intrusion traffic characterization. In 4th International Conference on Information Systems Security and Privacy (ICISSP), Portugal, January 2018
2.
Vinayakumar, R., Alazab, M., Soman, K.P., Poornachandrac, P., Al-Nemrat, A.A., Venkataraman, S.: Deep learning approach for intelligent intrusion detection system. IEEE Access 7, 41525–41550 (2019)CrossRef
3.
Pan, S.J., Yang, Q.: A survey on transfer learning. IEEE Trans. Knowl. Data Eng. 22(10), 1345–1359 (2010)CrossRef
4.
Raab, C., Schleif, F.-M.: Domain adaptation via low-rank basis approximation. ArXiv, volume=abs/1907.01343 (2019)
5.
Wu, P., Dietterich, T.G.: Improving SVM accuracy by training on auxiliary data sources. In: Proceedings of the 21st International Conference on Machine Learning. ACM, Banff, July 2004
6.
Yin, J., Yang, Q., Ni, L.M.: Adaptive temporal radio maps for indoor location estimation. In: Proceedings of the 3rd IEEE International Conference on Pervasive Computing and Communications, Kauai Island, Hawaii, USA, March 2005
7.
Pan, S.J., Kwok, J.T., Yang, Q., Pan, J.J.: Adaptive localization in a dynamic WiFi environment through multi-view learning. In: Proceedings of the 22nd AAAI Conference on Artificial Intelligence, Vancouver, British Columbia, Canada, pp. 1108–1113, July 2007
8.
Zheng, V.W., Yang, Q., Xiang, W., Shen, D.: Transferring localization models over time. In: Proceedings of the 23rd AAAI Conference on Artificial Intelligence, Chicago, Illinois, USA, pp. 1421–1426, July 2008
9.
Romero López, A.: Skin lesion detection from dermoscopic images using convolutional neural networks (2017)
10.
Zhang, J., Li, W., Ogunbona, P., Xu, D.: Recent advances in transfer learning for cross-dataset visual recognition: a problem-oriented perspective. ACM Comput. Surv. 52, 1–38 (2019)
11.
Hao, P.: Cross-domain recommender system through tag-based models (2018)
12.
Raab, C., Schleif, F.-M.: Transfer learning for the probabilistic classification vector machine. In: COPA (2018)
13.
Mahdavifar, S., Ghorbani, A.A.: Application of deep learning to cybersecurity: a survey. Neurocomputing 347(28), 149–176 (2019)CrossRef
Metadaten
Titel
A Domain Adaptation Technique for Deep Learning in Cybersecurity
verfasst von
Aryya Gangopadhyay
Iyanuoluwa Odebode
Yelena Yesha
Copyright-Jahr
2020
Buch
On the Move to Meaningful Internet Systems: OTM 2019 Workshops

Print ISBN: 978-3-030-40906-7

Electronic ISBN: 978-3-030-40907-4

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-40907-4_24