Adaptive network security through stream machine learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F18%3A00325944" target="_blank" >RIV/68407700:21230/18:00325944 - isvavai.cz</a>
Výsledek na webu
<a href="https://dl.acm.org/citation.cfm?doid=3234200.3234246" target="_blank" >https://dl.acm.org/citation.cfm?doid=3234200.3234246</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1145/3234200.3234246" target="_blank" >10.1145/3234200.3234246</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Adaptive network security through stream machine learning
Popis výsledku v původním jazyce
Stream Machine Learning is rapidly gaining popularity within the network monitoring community as the big data produced by network devices and end-user terminals goes beyond the memory constraints of standard monitoring equipment. We consider a stream-based machine learning approach to network security, conceiving adaptive machine learning algorithms for the analysis of continuously evolving network data streams. Using a sliding-window adaptive-size approach, we show that adaptive random forests models are able to keep up with important concept drifts in the underlying network data streams, by keeping high accuracy with continuous re-training at concept drift detection times.
Název v anglickém jazyce
Adaptive network security through stream machine learning
Popis výsledku anglicky
Stream Machine Learning is rapidly gaining popularity within the network monitoring community as the big data produced by network devices and end-user terminals goes beyond the memory constraints of standard monitoring equipment. We consider a stream-based machine learning approach to network security, conceiving adaptive machine learning algorithms for the analysis of continuously evolving network data streams. Using a sliding-window adaptive-size approach, we show that adaptive random forests models are able to keep up with important concept drifts in the underlying network data streams, by keeping high accuracy with continuous re-training at concept drift detection times.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
—
Návaznosti
S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
SIGCOMM '18 Proceedings of the ACM SIGCOMM 2018 Conference on Posters and Demos
ISBN
978-1-4503-5915-3
ISSN
—
e-ISSN
—
Počet stran výsledku
2
Strana od-do
4-5
Název nakladatele
ACM
Místo vydání
New York
Místo konání akce
Budapest
Datum konání akce
20. 8. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—