Обзор методов глубокого обучения для кибербезопасности
A Survey of Deep Learning Methods for Cyber Security
2019-04-02
SCID: 54.1/dc56c358
Discuss with AI
кибербезопасностьглубокие автоэнкодерыглубокое обучениесетевые вторжениярекуррентные нейронные сети
Figures from the paper
Abstract (AI)
В данной обзорной статье представлен анализ литературы, посвящённой методам глубокого обучения (DL), применяемым в задачах кибербезопасности. Для каждого метода глубокого обучения приведено краткое описание в учебном стиле, включая глубокие автокодировщики, ограниченные машины Больцмана, рекуррентные нейронные сети, генеративно-состязательные сети и ряд других методов. Далее рассматривается применение каждого из методов глубокого обучения в задачах безопасности. Обзор охватывает широкий спектр типов атак, включая вредоносное программное обеспечение, спам, угрозы со стороны инсайдеров, сетевые вторжения, внедрение ложных данных и вредоносные доменные имена, используемые ботнетами.
Key Findings
1
Также рассматриваются внутренние угрозы, сетевые вторжения, инъекции ложных данных и вредоносные доменные имена, используемые ботнетами.
2
Рассматриваются глубокие автоэнкодеры, ограниченные машины Больцмана, рекуррентные нейронные сети, генеративно-состязательные сети и другие методы глубокого обучения.
3
Работа дает широкий обзор применения глубокого обучения к различным категориям кибератак, не ограничиваясь одной задачей безопасности.
4
Статья представляет обзор методов глубокого обучения, применяемых в кибербезопасности, и включает краткие учебные описания основных архитектур.
5
Обзор анализирует применение глубокого обучения к различным задачам кибербезопасности, включая обнаружение вредоносных программ и спама.
Research Object
методы глубокого обучения, применяемые в кибербезопасности
Research Subject
использование методов глубокого обучения для обнаружения и противодействия кибератакам, включая вредоносное ПО, спам, внутренние угрозы, сетевые вторжения, внедрение ложных данных и вредоносные доменные имена, используемые ботнетами
Publication Details
Publication Date
2019-04-02
Journal
Publisher
ISSN
Cited by
752
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai14
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Обучение представлений фраз с использованием RNN энкодер–декодера для статистического машинного перевода2014
Обучение «последовательность-в-последовательность» с помощью нейронных сетей2014
Нейронный машинный перевод посредством совместного обучения выравниванию и переводу2014
Фотореалистичное повышение разрешения одиночного изображения с использованием генеративной состязательной сети2017
Обучение представлений без учителя с помощью глубоких сверточных генеративных состязательных сетей2015
Распознавание речи с помощью глубоких рекуррентных нейронных сетей2013
Isolation Forest2008
Обучение представлений фраз с использованием RNN Encoder–Decoder для статистического машинного перевода2014
Сверточные глубокие сети убеждений для масштабируемого обучения без учителя иерархических представлений2009
Обзор методов машинного и глубокого обучения для обеспечения безопасности Интернета вещей (IoT)2020
Методы машинного обучения и глубокого обучения для кибербезопасности2018
Классификация трафика со сквозным шифрованием с использованием одномерных сверточных нейронных сетей2017
Работы, цитирующие эту статью6
Научное машинное обучение с использованием физически информированных нейронных сетей: современное состояние и дальнейшие перспективы2022
Наука о данных в области кибербезопасности: обзор с точки зрения машинного обучения2020
Применение объяснимого искусственного интеллекта в кибербезопасности: современное состояние исследований2022
Обзор методов машинного обучения для обеспечения кибербезопасности за последнее десятилетие2020
Глубокое обучение для мониторинга и анализа сетевого трафика (NTMA): обзор2021
Объяснимый искусственный интеллект в кибербезопасности: обзор2022