nach oben

Erschienen in:

2018 | OriginalPaper | Buchkapitel

Analysis of LSTM-RNN Based on Attack Type of KDD-99 Dataset

verfasst von : Chaochao Luo, Le Wang, Hui Lu

Erschienen in: Cloud Computing and Security

Verlag: Springer International Publishing

Einloggen

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

search-config

KI-gestützte Suche

Aus

Abstract

Method and model of machine learning have applied to many industry fields. Employing RNN to detect and recognize network events and intrusions is extensively studied. This paper divides KDD-99 dataset into 4 subsets according to data item’s ‘attack type’ field. And then, LSTM-RNN is trained and verified on each subset in order to optimize model parameters. Experiments show the strategy of training for LSTM-RNN could boost model accuracy.

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 Analysis of Dynamic Change Regulation of Water and Salt in Saline-Alkali Land Based on Big Data

Nächstes Kapitel Analysis of Price Fluctuation Characteristics and Influencing Factors of Garlic Based on HP Filter Method

Ripley, B.D.: Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge (2007). ISBN 978-0-521-71770-0MATH

Siegelmann, H.T., Sontag, E.D.: Analog computation via neural networks. Theor. Comput. Sci. 131(2), 331–360 (1994). https://doi.org/10.1016/0304-3975(94)90178-3MathSciNetCrossRef

Wasserman, P.D.: Advanced methods in neural computing. Van Nostrand Reinhold (1993). ISBN 0442004613. OCLC 27429729

Kruse, R., Borgelt, C., Klawonn, F., Moewes, C., Steinbrecher, M., Held, P.: Computational intelligence: a methodological introduction. Springer (2013). ISBN 9781447150121. OCLC 837524179

Borgelt, C.: Neuro-Fuzzy-Systeme: von den Grundlagen künstlicher Neuronaler Netze zur Kopplung mit Fuzzy-Systemen. Vieweg (2003). ISBN 9783528252656. OCLC 76538146

Kohonen, T., Honkela, T.: Kohonen network. Scholarpedia 2, 1568 (2007)CrossRef

Kohonen, T.: Self-organized formation of topologically correct feature maps. Biol. Cybern. 43(1), 59–69 (1982). https://doi.org/10.1007/bf00337288MathSciNetCrossRef

Von der Malsburg, C.: Self-organization of orientation sensitive cells in the striate cortex. Kybernetik 14, 85–100 (1973). https://doi.org/10.1007/bf00288907CrossRef

Turing, A.: The chemical basis of morphogenesis. Phil. Trans. R. Soc. 237, 5–72 (1952)MathSciNetCrossRef

10.

Ultsch, A., Siemon, H.P.: Kohonen’s self organizing feature maps for exploratory data analysis. In: Widrow, B., Angeniol, B. (eds.) Proceedings of the International Neural Network Conference (INNC-90), Paris, France, 9–13 July 1990, pp. 305–308. Kluwer, Dordrecht (1990). ISBN 978-0-7923-0831-7

11.

Arthur, D., Vassilvitskii, S.: K-means ++: the advantages of careful seeding. In: Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, SODA 2007, pp. 1027–1035 (2007)

12.

Lloyd, S.P.: Least squares quantization in PCM. IEEE Trans. Inf. Theory 28, 129–137 (1982)MathSciNetCrossRef

13.

Seber, G.A.F.: Multivariate Observations. Wiley, Hoboken (1984)CrossRef

14.

Spath, H.: Cluster Dissection and Analysis: Theory, FORTRAN Programs, Examples. Translated by J. Goldschmidt. Halsted Press, New York (1985)

15.

Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: Proceedings of the 20th International Conference on Very Large Data Bases, VLDB, Santiago, Chile, pp. 487–499, September 1994

16.

Bayardo Jr., R.J.: Efficiently mining long patterns from databases. ACM SIGMOD Record 27(2), 85–93 (1998)CrossRef

17.

Russell, S., Norvig, P.: Artificial Intelligence: A Modern Approach, 2nd edn. Prentice Hall, Upper Saddle River (2003). ISBN 978-0137903955MATH

18.

Rennie, J., Shih, L., Teevan, J., Karger, D.: Tackling the poor assumptions of Naive Bayes classifiers. In: ICML (2003)

19.

Rish, I.: An empirical study of the naive Bayes classifier. In: IJCAI Workshop on Empirical Methods in AI (2001)

20.

Hand, D.J., Yu, K.: Idiot’s Bayes—not so stupid after all? Int. Stat. Rev. 69(3), 385–399 (2001). https://doi.org/10.2307/1403452. ISSN 0306-7734CrossRefMATH

21.

Bengio, Y., Courville, A., Vincent, P.: Representation learning: a review and new perspectives. IEEE Trans. Pattern Anal. Mach. Intell. 35(8), 1798–1828 (2013). arXiv:1206.5538, https://doi.org/10.1109/tpami.2013.50CrossRef

22.

Schmidhuber, J.: Deep learning in neural networks: an overview. Neural Netw. 61, 85–117 (2015). arXiv:1404.7828, https://doi.org/10.1016/j.neunet.2014.09.003. PMID 25462637CrossRef

23.

Bengio, Y., LeCun, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015). https://doi.org/10.1038/nature14539. PMID 26017442CrossRef

24.

Ghasemi, F., Mehridehnavi, A.R., Fassihi, A., Perez-Sanchez, H.: Deep neural network in biological activity prediction using deep belief network. Appl. Soft Comput. 62, 251 (2017). https://doi.org/10.1016/j.asoc.2017.09.040CrossRef

25.

Ciresan, D., Meier, U., Schmidhuber, J.: Multi-column deep neural networks for image classification. In: 2012 IEEE Conference on Computer Vision and Pattern Recognition, pp. 3642–3649 (2012). arXiv:1202.2745, https://doi.org/10.1109/cvpr.2012.6248110. ISBN 978-1-4673-1228-8

26.

The UCI KDD Archive Information and Computer Science University of California, Irvine, CA 92697-3425 (1999)

27.

Javaid, A., Niyaz, Q., Sun, W., et al.: A deep learning approach for network intrusion detection system. In: EAI International Conference on Bio-Inspired Information and Communications Technologies. ICST (Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering), pp. 21–26 (2016)

28.

Naoum, R.S., Abid, N.A., Al-Sultani, Z.N.: An enhanced resilient backpropagation artificial neural network for intrusion detection system. Int. J. Comput. Sci. Netw. Secur. 12(3), 11–16 (2012)

29.

Chae, H.-S., Jo, B.-O., Choi, S.-H., Park, T.-K.: Feature Selection for Intrusion Detection using NSL-KDD. In: Recent Advances in Computer Science, pp. 184–187 (2013)

30.

Thaseen, S., Kumar, C.A.: An analysis of supervised tree based classifiers for intrusion detection system. In: 2013 International Conference on Pattern Recognition, Informatics and Mobile Engineering (PRIME), pp. 294–299. IEEE (2013)

31.

Mikolov, T., et al.: Recurrent neural network based language model. In: Interspeech, vol. 2 (2010)

32.

KDD Cup 99. http://kdd.ics.uci.edu/databases/kddcup99/kddcup99.html

Titel: Analysis of LSTM-RNN Based on Attack Type of KDD-99 Dataset
verfasst von: Chaochao Luo
Le Wang
Hui Lu
Verlag: Springer International Publishing
Buch: Cloud Computing and Security
Print ISBN: 978-3-030-00005-9

Electronic ISBN: 978-3-030-00006-6

Copyright-Jahr: 2018
DOI: https://doi.org/10.1007/978-3-030-00006-6_29

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

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

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"