PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Wykrywanie anomalii w sieciach sterowanych programowo z wykorzystaniem dynamicznej telemetrii oraz głębokich sieci neuronowych

Identyfikatory
Warianty tytułu
EN
Anomaly detection in software defined networks using dynamic telemetry with deep neural networks
Konferencja
Krajowe Sympozjum Telekomunikacji i Teleinformatyki (26-28.06.2019 ; Wrocław, Polska)
Języki publikacji
PL
Abstrakty
PL
Wraz ze wzrostem dostępności mocy obliczeniowej uczenie maszynowe w dzisiejszych czasach skupia się coraz bardziej na metodach głębokiego uczenia. Powszechna automatyzacja procesów skłania do przemyślenia nowoczesnych implementacji sieciowych w rozumieniu ich bezpieczeństwa i szybkiego, jak i dokładnego reagowania na awarie. Niniejszy artykuł opisuje wykorzystanie głębokich sieci neuronowych do wykrywania anomalii w ruchu sieciowym w sieciach sterowanych programowo (SDN). Dodatkowo, obrazuje szerszy pogląd na automatyzację monitorowania sieci z wykorzsytaniem dynamicznej telemetrii.
EN
With the increasing availability of computational power, nowadays machine learning focuses more and more on deep learning methods. The widespread automation of processes leads to the rethinking of modern network implementations in the understanding of their safety and quick and accurate response to failures. This article describes the use of deep neural networks to detect anomalies in network traffic in conjunction with SDN. In addition, it provides a broader view of network monitoring automation with the usage of dynamic telemetry.
Rocznik
Tom
Strony
635--638, CD
Opis fizyczny
Bibliogr. 11 poz., rys.
Twórcy
  • AGH Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków, rzym@agh.edu.pl
  • AGH Akademia Górniczo-Hutnicza, al. Mickiewicza 30, 30-059 Kraków
Bibliografia
  • [1] Fernandes, G., et al., „A comprehensive survey on network anomaly detection,” Telecomm. Sys., tom 70, nr 3, str. 447–489, 2019.
  • [2] Cisco Global Cloud Index: Forecast and Methodology, 2016–2021 Cisco White Paper, 2018.
  • [3] W. Xia, Y. Wen, C. H. Foh, D. Niyato i H. Xie, „A Survey on Software-Defined Networking,” Communications Surveys Tutorials, IEEE, tom 17, nr 1, str. 27-51, 2015.
  • [4] L. Cui, at al., „When big data meets software-defined networking: SDN for big data and big data for SDN," IEEE Network, tom 30, nr 1, pp. 58-65, 2016.
  • [5] Strona domowa projektu PNDA, http://pnda.io, dostęp marzec 2019
  • [6] T.N. Sainath, O. Vinyals, A. Senior, H. Sak, „Convolutional, Long Short-Term Memory, fully connected Deep Neural Networks,” IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), str. 4580-4584, 2015.
  • [7] D. Barber, C.M. Bishop, „Ensemble Learning in Bayesian Neural Networks,” Neural Networks and Machine Learning, Springer, str. 215-237, 1998.
  • [8] N. Srivastava, et al., „Dropout: A Simple Way to Prevent Neural Networks from Overfitting,” Journal of Machine Learning Research, tom 15, str. 1929-1958, 2014.
  • [9] Y. Gal, „Uncertanity in Deep Learning,” PhD thesis, Dep. of Engineering University of Cambridge,2016.
  • [10] F. Pukelsheim, “The Three Sigma Rule.” American Statistician, tom 48, nr 88-91, 1994.
  • [11] Kontroler Ryu, https://osrg.github.io/ryu/, dostęp marzec 2019
Uwagi
PL
Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-e2fb6fd4-8d93-408a-b048-edd2b3e507f6
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.