Unsupervised Anomaly Detection Using Bidirectional GRU Autoencoder Neural Network for PLOAM Message Sequence Analysis in GPON

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F22%3APU146405" target="_blank" >RIV/00216305:26220/22:PU146405 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/63839172:_____/22:10133475

Výsledek na webu

<a href="https://ieeexplore.ieee.org/document/9988508" target="_blank" >https://ieeexplore.ieee.org/document/9988508</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/ICECCME55909.2022.9988508" target="_blank" >10.1109/ICECCME55909.2022.9988508</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Unsupervised Anomaly Detection Using Bidirectional GRU Autoencoder Neural Network for PLOAM Message Sequence Analysis in GPON

Popis výsledku v původním jazyce

This paper proposes an autoencoder neural network based on bidirectional gated recurrent unit layers used for anomaly detection in sequences of management protocol messages in gigabit-capable passive optical networks (GPONs). The autoencoder uses unsupervised learning, and the learning dataset is acquired from the real GPON network using a custom-made analyzer. The anomaly detection focuses on deviations in the management protocol in comparison to the baseline. It may indicate changes in the protocol itself caused by a different protocol implementation or a potential attack on the network. The capabilities of a trained autoencoder are evaluated on a generated dataset with various types of anomalies. The autoencoder reaches an average accuracy of 66% across all types of generated anomalies. However, the detection accuracy of sequences containing a high amount of random noise is 100%.

Název v anglickém jazyce

Unsupervised Anomaly Detection Using Bidirectional GRU Autoencoder Neural Network for PLOAM Message Sequence Analysis in GPON

Popis výsledku anglicky

This paper proposes an autoencoder neural network based on bidirectional gated recurrent unit layers used for anomaly detection in sequences of management protocol messages in gigabit-capable passive optical networks (GPONs). The autoencoder uses unsupervised learning, and the learning dataset is acquired from the real GPON network using a custom-made analyzer. The anomaly detection focuses on deviations in the management protocol in comparison to the baseline. It may indicate changes in the protocol itself caused by a different protocol implementation or a potential attack on the network. The capabilities of a trained autoencoder are evaluated on a generated dataset with various types of anomalies. The autoencoder reaches an average accuracy of 66% across all types of generated anomalies. However, the detection accuracy of sequences containing a high amount of random noise is 100%.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20202 - Communication engineering and systems

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2022

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

2022 International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME 2022)

ISBN

978-1-6654-7095-7

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

1-5

Název nakladatele

Institute of Electrical and Electronics Engineers (IEEE)

Místo vydání

Malé, Maldives

Místo konání akce

Male

Datum konání akce

16. 11. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—