Detail publikace

Deep learning for predictive alerting and cyber-attack mitigation

IMERI Arbnor a RYŠAVÝ Ondřej. Deep learning for predictive alerting and cyber-attack mitigation. In: IEEE 13th Annual Computing and Communication Workshop and Conference, CCWC 2023. Las Vegas: IEEE Computer Society, 2023, s. 476-481. ISBN 978-3-319-93490-7.
Název česky
Hluboké učení pro prediktivní varování před kybernetickými útoky
Typ
článek ve sborníku konference
Jazyk
angličtina
Autoři
Imeri Arbnor, M.Eng. (UIFS FIT VUT)
Ryšavý Ondřej, doc. Ing., Ph.D. (UIFS FIT VUT)
Abstrakt

Úspěšné řízení bezpečnosti ICT systémů a služeb je zásadní pro efektivní postavení kybernetické bezpečnosti. Hlavním cílem je minimalizovat a kontrolovat škody způsobené kybernetickými útoky a incidenty, poskytovat účinnou reakci a obnovu a investovat úsilí do prevence budoucích kybernetických incidentů. K dosažení tohoto cíle se široce využívá kybernetické hrozby (CTI), které jsou považovány za zásadní mechanismus proaktivní obrany proti moderním a dynamicky se vyvíjejícím kybernetickým hrozbám a útokům. V oblasti CTI však existuje mnoho výzev, protože v kyberprostoru existuje obrovské množství nestrukturovaných dat o hrozbách, které je třeba shromažďovat, klasifikovat, analyzovat a sdílet mezi státy, organizacemi nebo společnostmi. Tváří v tvář této výzvě jsou techniky dolování dat a algoritmy strojového učení nezbytné pro poskytování smysluplných informací CTI díky jejich schopnosti extrahovat nevýrazné a skryté vzory v datech. Na základě technik dolování dat a potenciálu algoritmů strojového učení pro úspěšnou implementaci zpravodajských služeb kybernetických hrozeb tento dokument vyvíjí účinný model prediktivního varování v enginu pro analýzu hrozeb využívající model hluboké reziduální sítě (DRN). Dále je hlavním cílem porovnat výkon modelu DRN s jinými modely strojového učení, jako je Sequential Rule Mining, IntruDTree, ScaleNet atd. Podle našich experimentálních výsledků předčil DRN ostatní testované modely strojového učení tím, že dosáhl lepších výsledků na parametry, jako je přesnost, vyvolání a F-measure.

Rok
2023
Strany
476-481
Sborník
IEEE 13th Annual Computing and Communication Workshop and Conference, CCWC 2023
Konference
2023 IEEE 13th Annual Computing and Communication Workshop and Conference (CCWC), Virtual, US
ISBN
978-3-319-93490-7
Vydavatel
IEEE Computer Society
Místo
Las Vegas, US
DOI
10.1109/CCWC57344.2023.10099209
UT WoS
000995182600074
EID Scopus
2-s2.0-85156192228
BibTeX 
@INPROCEEDINGS{FITPUB12926,
   author = "Arbnor Imeri and Ond\v{r}ej Ry\v{s}av\'{y}",
   title = "Deep learning for predictive alerting and cyber-attack mitigation",
   pages = "476--481",
   booktitle = "IEEE 13th Annual Computing and Communication Workshop and Conference, CCWC 2023",
   year = 2023,
   location = "Las Vegas, US",
   publisher = "IEEE Computer Society",
   ISBN = "978-3-319-93490-7",
   doi = "10.1109/CCWC57344.2023.10099209",
   language = "english",
   url = "https://www.fit.vut.cz/research/publication/12926"
}
Soubory
Nahoru