مشخصات کتاب

Expert-in-the-Loop Supervised Learning for Computer Security Detection Systems

ویرایش:  
نویسندگان: Anaël Beaugnon  
سری:  
 
ناشر: École normal supérieure 
سال نشر: 2018 
تعداد صفحات: 142 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

در صورت تبدیل فایل کتاب Expert-in-the-Loop Supervised Learning for Computer Security Detection Systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب متخصص نظارت بر حلقه برای سیستم های تشخیص امنیت کامپیوتر نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب متخصص نظارت بر حلقه برای سیستم های تشخیص امنیت کامپیوتر

مدل‌های تشخیص نظارت شده را می‌توان در سیستم‌های تشخیص، به عنوان مکمل تکنیک‌های تشخیص سنتی، برای تقویت تشخیص مستقر کرد. یادگیری نظارت شده با موفقیت برای مشکلات مختلف تشخیص امنیت رایانه اعمال شده است: برنامه های Android، PDF، یا فایل های قابل حمل قابل حمل فقط به ذکر واضح ترین نمونه ها. علیرغم این نتایج دلگرم‌کننده، موانع مهمی در راه استقرار گسترده یادگیری ماشین در سیستم‌های تشخیص عملیاتی وجود دارد. خط لوله یادگیری نظارت شده استاندارد شامل حاشیه نویسی داده ها، استخراج ویژگی، آموزش و ارزیابی است. کارشناسان امنیتی باید تمام این مراحل را برای راه اندازی مدل های شناسایی نظارت شده آماده برای استقرار انجام دهند. در این پایان نامه، ما یک رویکرد انتها به انتها را اتخاذ می کنیم. ما روی کل خط لوله یادگیری ماشین با کارشناسان امنیتی به عنوان هسته اصلی آن کار می کنیم، زیرا پیگیری تاثیر در دنیای واقعی بسیار مهم است. اول از همه، کارشناسان امنیتی ممکن است دانش کمی در مورد یادگیری ماشین داشته باشند. بنابراین آنها ممکن است در استفاده کامل از این تکنیک تجزیه و تحلیل داده ها در سیستم های تشخیص خود مشکل داشته باشند. این پایان نامه راهنمایی روش شناختی را برای کمک به کارشناسان امنیتی ارائه می دهد تا مدل های تشخیص نظارت شده ای را بسازند که متناسب با محدودیت های عملیاتی آنها باشد. علاوه بر این، ما DIADEM را طراحی و پیاده‌سازی می‌کنیم، یک ابزار تجسم تعاملی که به کارشناسان امنیتی کمک می‌کند تا متدولوژی تعیین‌شده را به کار گیرند. DIADEM با ماشین‌های یادگیری ماشینی سر و کار دارد تا به کارشناسان امنیتی اجازه دهد عمدتاً روی تشخیص تمرکز کنند. علاوه بر این، اکثر کارهای تحقیقاتی فرض می‌کنند که یک مجموعه داده مشروح نماینده برای آموزش در دسترس است، در حالی که ساخت چنین مجموعه‌های داده در امنیت رایانه بسیار پرهزینه است. یادگیری فعال برای کاهش تلاش کارشناسان در پروژه های حاشیه نویسی معرفی شده است. با این حال، معمولاً فقط بر روی حداقل کردن تعداد حاشیه نویسی های دستی تمرکز می کند، در حالی که کارشناسان امنیتی ترجیح می دهند زمان کلی صرف شده برای حاشیه نویسی را به حداقل برسانند. علاوه بر این، تجربه کاربر اغلب نادیده گرفته می شود در حالی که یادگیری فعال یک روش تعاملی است که باید یک تعامل خوب متخصص و مدل را تضمین کند. این پایان نامه راه حلی را برای کاهش موثر هزینه برچسب گذاری در پروژه های حاشیه نویسی امنیت رایانه پیشنهاد می کند. ما یک سیستم یادگیری فعال سرتاسر به نام ILAB را طراحی و اجرا می کنیم که مطابق با نیازهای کارشناسان امنیتی است. آزمایش‌های کاربر ما روی یک پروژه حاشیه‌نویسی در دنیای واقعی نشان می‌دهد که کارشناسان امنیتی می‌توانند به لطف ILAB یک مجموعه داده حاشیه‌نویسی را با حجم کاری کم جمع‌آوری کنند. در نهایت، استخراج ویژگی معمولا به صورت دستی برای هر نوع داده پیاده سازی می شود. با این وجود، سیستم‌های شناسایی بسیاری از انواع داده‌ها را پردازش می‌کنند و طراحی یک روش استخراج ویژگی برای هر یک از آنها خسته‌کننده است. تولید ویژگی های خودکار به طور قابل توجهی استقرار یادگیری ماشین را در سیستم های تشخیص تسهیل می کند و بنابراین تقویت می کند. در این پایان نامه، ما محدودیت هایی را تعریف می کنیم که چنین روش هایی باید برآورده شوند تا در مدل های تشخیص ساختمان موثر باشند. ما سه روش پیشرفته را بر اساس این معیارها مقایسه می‌کنیم و به برخی از راه‌های تحقیق برای تطبیق بهتر این تکنیک‌ها با نیازهای کارشناسان امنیت رایانه اشاره می‌کنیم.

توضیحاتی درمورد کتاب به خارجی

Supervised detection models can be deployed in detection systems, as an adjunct to traditional detection techniques, to strengthen detection. Supervised learning has been successfully applied to various computer security detection problems: Android applications, PDF, or portable executable files to mention only the most obvious examples. Despite these encouraging results, there remain some significant barriers to the widespread deployment of machine learning in operational detection systems. The standard supervised learning pipeline consists of data annotation, feature extraction, train- ing and evaluation. Security experts must carry out all these steps to set up supervised detection models ready for deployment. In this thesis, we adopt an end-to-end approach. We work on the whole machine learning pipeline with security experts as its core since it is crucial to pursue real-world impact. First of all, security experts may have little knowledge about machine learning. They may therefore have difficulty taking full advantage of this data analysis technique in their detection systems. This thesis provides methodological guidance to help security experts build supervised detection models that suit their operational constraints. Moreover, we design and implement DIADEM, an interactive visualization tool that helps security experts apply the methodology set out. DIADEM deals with the machine learning machinery to let security experts focus mainly on detection. Besides, most research works assume that a representative annotated dataset is available for training while such datasets are particularly expensive to build in computer security. Active learning has been introduced to reduce expert effort in annotation projects. However, it usually focuses on minimizing only the number of manual annotations, while security experts would rather minimize the overall time spent annotating. Moreover, user experience is often overlooked while active learning is an interactive procedure that should ensure a good expert-model interaction. This thesis proposes a solution to effectively reduce the labeling cost in computer security annotation projects. We design and implement an end-to-end active learning system, ILAB, tailored to security experts needs. Our user experiments on a real-world annotation project demonstrate that security experts can gather an annotated dataset with a low workload thanks to ILAB. Finally, feature extraction is usually implemented manually for each data type. Nonetheless, detection systems process many data types and designing a feature extraction method for each of them is tedious. Automatic feature generation would significantly ease, and thus foster, the deployment of machine learning in detection systems. In this thesis, we define the constraints that such methods should meet to be effective in building detection models. We compare three state-of-the-art methods based on these criteria, and we point out some avenues of research to better tailor these techniques to computer security experts needs.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Donnerblitzbub Wolfgang Amadeus: Mozarts Jugend

دانلود کتاب French Organ Music: From the Revolution to Franck and Widor

دانلود کتاب Don Álvaro de Luna y Escalona: Poder, propaganda y memoria histórica en el otoño de la Edad Media

دانلود کتاب Julien Duvivier

دانلود کتاب Submarine Boats. The Beginnings of Underwater Warfare