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:
Network Anomaly Detection Using Federated Deep Autoencoding Gaussian Mixture Model Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Towards a Hierarchical Deep Learning Approach for Intrusion Detection

verfasst von : François Alin, Amine Chemchem, Florent Nolot, Olivier Flauzac, Michaël Krajecki

Erschienen in: Machine Learning for Networking

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

Nowadays, it is almost impossible to imagine our daily life without Internet. This strong dependence requires an effective and rigorous consideration of all the risks related to computer attacks. However traditional methods of protection are not always effective, and usually very expensive in treatment resources. That is why this paper presents a new hierarchical method based on deep learning algorithms to deal with intrusion detection. This method has proven to be very effective across traditional implementation on four public datasets, and meets all the other requirements of an efficient intrusion detection system.

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 Network Anomaly Detection Using Federated Deep Autoencoding Gaussian Mixture Model
Nächstes Kapitel Network Traffic Classification Using Machine Learning for Software Defined Networks
Fußnoten
Literatur
1.
2.
Stolfo, S.J., Salem, M.B., Keromytis, A.D.: Fog computing: mitigating insider data theft attacks in the cloud. In: 2012 IEEE Symposium on Security Privacy Workshops. IEEE (2012)
3.
Carter, E.: CCSP Self-study: Cisco Secure Intrusion Detection System (CSIDS). Cisco Press, Indianapolis (2004)
4.
Ouharoun, M., Adi, K., Pelc, A.: Modélisation de détection d’intrusion par des jeux probabilistes. Diss. Université du Québec en Outaouais (2010)
5.
Leite, A., Girardi, R.: A hybrid and learning agent architecture for network intrusion detection. J. Syst. Softw. 130, 59–80 (2017)CrossRef
6.
Wang, H., Jie, G., Wang, S.: An effective intrusion detection framework based on SVM with feature augmentation. Knowl.-Based Syst. 136, 130–139 (2017)CrossRef
7.
Kuang, F., Weihong, X., Zhang, S.: A novel hybrid KPCA and SVM with GA model for intrusion detection. Appl. Soft Comput. 18, 178–184 (2014)CrossRef
8.
Stein, G., et al.: Decision tree classifier for network intrusion detection with GA-based feature selection. In: Proceedings of the 43rd Annual Southeast Regional Conference-Volume 2. ACM (2005)
9.
Al-Yaseen, W.L., Othman, Z.A., Nazri, M.Z.A.: Multi-level hybrid support vector machine and extreme learning machine based on modified K-means for intrusion detection system. Expert Syst. Appl. 67, 296–303 (2017)
10.
Kim, J., et al.: Long short term memory recurrent neural network classifier for intrusion detection. In: 2016 International Conference on Platform Technology and Service (PlatCon). IEEE (2016)
11.
RajeshKumar, G., Mangathayaru, N., Narsimha, G.: Intrusion detection a text mining based approach. arXiv preprint arXiv:​1603.​03837 (2016)
12.
Buczak, A.L., Guven, E.: A survey of data mining and machine learning methods for cyber security intrusion detection. IEEE Commun. Surv. Tutorials 18(2), 1153–1176 (2016)CrossRef
13.
Wang, W., et al.: HAST-IDS: learning hierarchical spatial-temporal features using deep neural networks to improve intrusion detection. IEEE Access 6, 1792–1806 (2018)
14.
Chemchem, A., Alin, F., Krajecki, M.: Improving the cognitive agent intelligence by deep knowledge classification. Int. J. Comput. Intell. Appl. 18, 1950005 (2019)
15.
Chemchem, A., Alin, F., Krajecki, M.: Combining SMOTE sampling and machine learning for forecasting wheat yields in France. In: 2019 IEEE Second International Conference on Artificial Intelligence and Knowledge Engineering (AIKE). IEEE (2019)
16.
Jain, A., Mandowara, J.: Text classification by combining text classifiers to improve the efficiency of classification. Int. J. Comput. Appl. (2250–1797) 6(2) (2016)
17.
Huang, J., Lu, J., Ling, C.X.: Comparing naive Bayes, decision trees, and SVM with AUC and accuracy. In: Third IEEE International Conference on Data Mining (ICDM), p. 553 (2003)
18.
Adeniyi, D., Wei, Z., Yongquan, Y.: Automated web usage data mining and recommendation system using K-nearest neighbor (KNN) classification method. Appl. Comput. Inform. 12(1), 90–108 (2016)CrossRef
19.
Wu, X.: Top 10 algorithms in data mining. Knowl. Inf. Syst. 14(1), 1–37 (2008)
20.
Guyon, I., Weston, J., Barnhill, S., Vapnik, V.: Gene selection for cancer classification using support vector machines. Mach. Learn. 46(1), 389–422 (2002)CrossRef
21.
Vapnik, V.: The Nature of Statistical Learning Theory. Springer, Heidelberg (2013)MATH
22.
Hsu, C.-W., Lin, C.-J.: A comparison of methods for multiclass support vector machines. IEEE Trans. Neural Netw. 13(2), 415–425 (2002)CrossRef
23.
24.
Dietterich, T.G.: Machine learning: four current directions. AI Mag. 18(4), 97–136 (1997)
25.
26.
Aggarwal, C.C.: Data Classification: Algorithms and Applications. CRC Press, Boca Raton (2014)
27.
Anthimopoulos, M., Christodoulidis, S., Ebner, L., Christe, A., Mougiakakou, S.: Lung pattern classification for interstitial lung diseases using a deep convolutional neural network. IEEE Trans. Med. Imaging 35(5), 1207–1216 (2016)CrossRef
28.
Kim, Y.: Convolutional neural networks for sentence classification, CoRR abs/1408.5882 (2014)
Metadaten
Titel
Towards a Hierarchical Deep Learning Approach for Intrusion Detection
verfasst von
François Alin
Amine Chemchem
Florent Nolot
Olivier Flauzac
Michaël Krajecki
Copyright-Jahr
2020
Buch
Machine Learning for Networking

Print ISBN: 978-3-030-45777-8

Electronic ISBN: 978-3-030-45778-5

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-45778-5_2