Full metadata record
DC FieldValueLanguage
dc.contributor.authorHeigl, Michael
dc.contributor.authorWeigelt, Enrico
dc.contributor.authorFiala, Dalibor
dc.contributor.authorSchramm, Martin
dc.date.accessioned2022-02-07T11:00:14Z-
dc.date.available2022-02-07T11:00:14Z-
dc.date.issued2021
dc.identifier.citationHEIGL, M. WEIGELT, E. FIALA, D. SCHRAMM, M. Unsupervised Feature Selection for Outlier Detection on Streaming Data to Enhance Network Security. Applied Sciences, 2021, roč. 11, č. 24, s. 1-30. ISSN: 2076-3417cs
dc.identifier.issn2076-3417
dc.identifier.uri2-s2.0-85121349927
dc.identifier.urihttp://hdl.handle.net/11025/46759
dc.description.abstractV několika posledních letech se metody strojového učení (zvláště ty zabývající se detekcí odlehlých hodnot) v oblasti kyberbezpečnosti opíraly o zjišťování anomálií síťového provozu spočívajících v nových schématech útoků. Avšak všudypřítomnost masivních průběžně generovaných datových toků představuje ohromnou výzvu pro účinná detekční schémata a vyžaduje rychlé paměťově nenáročné online algoritmy schopné se potýkat se změnami konceptu. Volba vlastností hraje důležitou roli při zlepšování detekce odlehlých hodnot identifikací zašuměných dat, která obsahují nerelevantní nebo nadbytečné vlastnosti. Současný výzkum se zaměřuje buď na výběr vlastností bez učitele pro průběžně přicházející data nebo na (offline) detekci odlehlých hodnot. V této práci jsou zformulovány podstatné požadavky na kombinaci obou přístupů a dále jsou porovnány s existujícími řešeními. Obsáhlá rešerše odhalila mezeru ve výběru vlastností bez učitele pro zlepšování již hotových metod detekce odlehlých hodnot v datových tocích. Takže navrhujeme nový algoritmus volby vlastností bez učitele pro detekci odlehlých hodnot v průběžně přicházejících datech označovaný jako UFSSOD, který je schopen takové hodnoty automaticky odhalovat. Navíc umí zjišťovat množství nejlepších vlastností shlukováním jejich vypočítaných hodnot. Následně odvozujeme generický koncept, který ukazuje dva aplikační scénáře UFSSOD ve spojení s již hotovými online algoritmy detekce odlehlých hodnot. Rozsáhlé experimenty ukázaly, že slibný mechanismus volby vlastností pro průběžně přicházející data není v oblasti detekce odlehlých hodnot k dispozici. Nadto UFSSOD coby algoritmus schopný online zpracování vykazuje srovnatelné výsledky jako současná nejlepší offline metoda upravená pro detekci odlehlých hodnot.cs
dc.format30 s.cs
dc.format.mimetypeapplication/pdf
dc.language.isoenen
dc.publisherMDPIen
dc.relation.ispartofseriesApplied Sciencesen
dc.rights© authorsen
dc.subjectvýběr vlastností, detekce odlehlých hodnot, detekce vniknutí, síťová bezpečnost, strojové učení, online učení, učení bez učitele, průběžně přicházející datacs
dc.titleUnsupervised Feature Selection for Outlier Detection on Streaming Data to Enhance Network Securityen
dc.title.alternativeVýběr vlastností bez učitele pro detekci odlehlých hodnot v průběžně přicházejících datech za účelem zvýšení síťové bezpečnosti Výběr vlastností bez učitele pro detekci odlehlých hodnot v průběžně přicházejících datech za účelem zvýšení síťové bezpečnostics
dc.typečlánekcs
dc.typearticleen
dc.rights.accessopenAccessen
dc.type.versionpublishedVersionen
dc.description.abstract-translatedOver the past couple of years, machine learning methods—especially the outlier detection ones—have anchored in the cybersecurity field to detect network-based anomalies rooted in novel attack patterns. However, the ubiquity of massive continuously generated data streams poses an enormous challenge to efficient detection schemes and demands fast, memory-constrained online algorithms that are capable to deal with concept drifts. Feature selection plays an important role when it comes to improve outlier detection in terms of identifying noisy data that contain irrelevant or redundant features. State-of-the-art work either focuses on unsupervised feature selection for data streams or (offline) outlier detection. Substantial requirements to combine both fields are derived and compared with existing approaches. The comprehensive review reveals a research gap in unsupervised feature selection for the improvement of outlier detection methods in data streams. Thus, a novel algorithm for Unsupervised Feature Selection for Streaming Outlier Detection, denoted as UFSSOD, will be proposed, which is able to perform unsupervised feature selection for the purpose of outlier detection on streaming data. Furthermore, it is able to determine the amount of top-performing features by clustering their score values. A generic concept that shows two application scenarios of UFSSOD in conjunction with off-the-shell online outlier detection algorithms has been derived. Extensive experiments have shown that a promising feature selection mechanism for streaming data is not applicable in the field of outlier detection. Moreover, UFSSOD, as an online capable algorithm, yields comparable results to a state-of-the-art offline method trimmed for outlier detection.en
dc.subject.translatedfeature selectionen
dc.subject.translatedoutlier detectionen
dc.subject.translatedintrusion detectionen
dc.subject.translatednetwork securityen
dc.subject.translatedmachine learningen
dc.subject.translatedonline learningen
dc.subject.translatedunsupervised learningen
dc.subject.translatedstreaming dataen
dc.identifier.doi10.3390/app112412073
dc.type.statusPeer-revieweden
dc.identifier.document-number735828400001
dc.identifier.obd43934615
Appears in Collections:Konferenční příspěvky / Conference Papers (KIV)
OBD

Files in This Item:
File SizeFormat 
Fiala applsci-11-12073.pdf1,84 MBAdobe PDFView/Open
Show simple item record


Please use this identifier to cite or link to this item: http://hdl.handle.net/11025/46759

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.

search
navigation
  1. DSpace at University of West Bohemia
  2. Publikační činnost / Publications
  3. OBD