Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F19%3A63522682" target="_blank" >RIV/70883521:28140/19:63522682 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/chapter/10.1007/978-3-030-30329-7_28" target="_blank" >https://link.springer.com/chapter/10.1007/978-3-030-30329-7_28</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment

  • Popis výsledku v původním jazyce

    The recent evolution in cybersecurity shows how vulnerable our technology is. In addition, contemporary society becoming more reliant on &quot;vulnerable technology&quot;. This is especially relevant in case of critical information infrastructure, which is vital to retain the functionality of modern society. Furthermore, the cyber-physical systems as Industrial control systems are an essential part of critical information infrastructure; and therefore, need to be protected. This article presents a comprehensive optimization methodology in the field of industrial network anomaly detection. We introduce a recurrent neural network preparation for a one-class classification task. In order to optimize the recurrent neural network, we adopted a genetic algorithm. The main goal is to create a robust predictive model in an unsupervised manner. Therefore, we use hyperparameter optimization according to the validation loss function, which defines how well the machine learning algorithm models the given data. To achieve this goal, we adopted multiple techniques as data preprocessing, feature reduction, genetic algorithm, etc.

  • Název v anglickém jazyce

    Optimization of the Novelty Detection Model Based on LSTM Autoencoder for ICS Environment

  • Popis výsledku anglicky

    The recent evolution in cybersecurity shows how vulnerable our technology is. In addition, contemporary society becoming more reliant on &quot;vulnerable technology&quot;. This is especially relevant in case of critical information infrastructure, which is vital to retain the functionality of modern society. Furthermore, the cyber-physical systems as Industrial control systems are an essential part of critical information infrastructure; and therefore, need to be protected. This article presents a comprehensive optimization methodology in the field of industrial network anomaly detection. We introduce a recurrent neural network preparation for a one-class classification task. In order to optimize the recurrent neural network, we adopted a genetic algorithm. The main goal is to create a robust predictive model in an unsupervised manner. Therefore, we use hyperparameter optimization according to the validation loss function, which defines how well the machine learning algorithm models the given data. To achieve this goal, we adopted multiple techniques as data preprocessing, feature reduction, genetic algorithm, etc.

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

    <a href="/cs/project/VI20172019054" target="_blank" >VI20172019054: Analytický programový modul pro hodnocení odolnosti v reálném čase z hlediska konvergované bezpečnosti</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2019

  • 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

    Advances in Intelligent Systems and Computing (Vol. 1)

  • ISBN

    978-3-030-30328-0

  • ISSN

    2194-5357

  • e-ISSN

  • Počet stran výsledku

    14

  • Strana od-do

    306-319

  • Název nakladatele

    Springer Verlag

  • Místo vydání

    Berlín

  • Místo konání akce

    Zlín

  • Datum konání akce

    3. 10. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku