Automated Neural Network Structure Design for Efficient Anomaly Identification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F23%3APU149867" target="_blank" >RIV/00216305:26220/23:PU149867 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Automated Neural Network Structure Design for Efficient Anomaly Identification

Popis výsledku v původním jazyce

The creation of suitable and efficient tools for anomaly detection constitutes a crucial aspect of security, applicable not only to industrial networks but also to cyber-physical systems. This article elucidates a framework designed to automate the selection of an optimal deep neural network architecture, thereby expediting the creation and implementation of neural network-based tools. The framework presented here enables a rapid design of an Artificial Neural Network structure without necessitating user intervention. Its efficacy has been showcased through experimentation with the publicly accessible HAI dataset, yielding an accuracy of approximately 0.94 after 10 epochs. Subsequently, a second scenario was performed where a total of 5456 models were generated and trained, with an average time of approximately 9.95 seconds per model.

Název v anglickém jazyce

Automated Neural Network Structure Design for Efficient Anomaly Identification

Popis výsledku anglicky

The creation of suitable and efficient tools for anomaly detection constitutes a crucial aspect of security, applicable not only to industrial networks but also to cyber-physical systems. This article elucidates a framework designed to automate the selection of an optimal deep neural network architecture, thereby expediting the creation and implementation of neural network-based tools. The framework presented here enables a rapid design of an Artificial Neural Network structure without necessitating user intervention. Its efficacy has been showcased through experimentation with the publicly accessible HAI dataset, yielding an accuracy of approximately 0.94 after 10 epochs. Subsequently, a second scenario was performed where a total of 5456 models were generated and trained, with an average time of approximately 9.95 seconds per model.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20203 - Telecommunications

Projekt

<a href="/cs/project/FW07010004" target="_blank" >FW07010004: Využití předností sítí páté generace pro monitorování, optimalizaci a zefektivnění výrobního procesu v chytrých továrnách</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

ICCNS 2023 Proceedings

ISBN

979-8-4007-0796-4

ISSN

—

e-ISSN

—

Počet stran výsledku

7

Strana od-do

1-7

Název nakladatele

Neuveden

Místo vydání

neuveden

Místo konání akce

Fuzhou, China

Datum konání akce

1. 12. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—