MARC

 008250224s2024        us  ||||||||||||||c||eng  d
■001000017163673
■00520250211152739
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384345732
■035    ▼a(MiAaPQ)AAI31496290
■035    ▼a(MiAaPQ)Purdue25607649
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a005.8
■1001  ▼aHosler,  Ryan.
■24510▼aTowards  Representation  Learning  for  Robust  Network  Intrusion  Detection  Systems.
■260    ▼a[S.l.]▼bPurdue  University.  ▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a120  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Zou,  Xukai;Li,  Feng.
■5021  ▼aThesis  (Ph.D.)--Purdue  University,  2024.
■520    ▼aThe  most  cost-effective  method  for  cybersecurity  defense  is  prevention.  Ideally,  before  a  malicious  actor  steals  information  or  affects  the  functionality  of  a  network,  a  Network  Intrusion  Detection  System  (NIDS)  will  identify  and  allow  for  a  complete  prevention  of  an  attack.  For  this  reason,  there  are  commercial  availabilities  for  rule-based  NIDS  which  will  use  a  packet  sniffer  to  monitor  all  incoming  network  traffic  for  potential  intrusions.  However,  such  a  NIDS  will  only  work  on  known  intrusions,  therefore,  researchers  have  devised  sophisticated  Deep  Learning  methods  for  detecting  malicious  network  activity.  By  using  statistical  features  from  network  flows,  such  as  packet  count,  connection  duration,  flow  bytes  per  second,  etc.,  a  Machine  Learning  or  Deep  Learning  NIDS  may  identify  an  advanced  attack  that  would  otherwise  bypass  a  rule-based  NIDS.For  this  research,  the  presented  work  will  develop  novel  applications  of  Deep  Learning  for  NIDS  development.  Specifically,  an  image  embedding  algorithms  will  be  adapted  to  this  domain.  Moreover,  novel  methods  for  representing  network  traffic  as  a  graph  and  applying  Deep  Graph  Representation  Learning  algorithms  for  an  NIDS  will  be  considered.  When  compared  to  the  existing  state-of-the-art  methods  within  NIDS  literature,  the  methods  developed  in  the  research  manage  to  outperform  them  on  numerous  Network  Traffic  Datasets.  Furthermore,  an  NIDS  was  deployed  and  successfully  configured  to  a  live  network  environment.Another  domain  in  which  this  research  is  applied  to  is  Android  Malware  Detection.  By  analyzing  network  traffic  produced  by  either  a  benign  or  malicious  Android  Application,  current  research  has  failed  to  accurately  detect  Android  Malware.  Instead,  they  rely  on  features  which  are  extracted  from  the  APK  file  itself.  Therefore,  this  research  presents  a  NIDS  inspired  Graph-Based  model  which  demonstrably  distinguishes  benign  and  malicious  applications  through  analysis  of  network  traffic  alone,  which  outperforms  existing  sophisticated  malware  detection  frameworks.
■590    ▼aSchool  code:  0183.
■650  4▼aCybersecurity.
■650  4▼aMalware.
■650  4▼aDeep  learning.
■650  4▼aSuccess.
■650  4▼aIntrusion  detection  systems.
■650  4▼aGraph  representations.
■650  4▼aNeural  networks.
■650  4▼aComputer  science.
■650  4▼aInformation  technology.
■690    ▼a0800
■690    ▼a0984
■690    ▼a0489
■71020▼aPurdue  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0183
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163673▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서