Hyppää sisältöön
    • Suomeksi
    • På svenska
    • In English
  • Suomi
  • Svenska
  • English
  • Kirjaudu
Hakuohjeet
JavaScript is disabled for your browser. Some features of this site may not work without it.
Näytä viite 
  •   Ammattikorkeakoulut
  • Jyväskylän ammattikorkeakoulu
  • Julkaisut
  • Näytä viite
  •   Ammattikorkeakoulut
  • Jyväskylän ammattikorkeakoulu
  • Julkaisut
  • Näytä viite

Anomaly-Based Network Intrusion Detection Using Wavelets and Adversarial Autoencoders

Puuska, Samir; Kokkonen, Tero; Alatalo, Janne; Heilimo, Eppu (2019)

 
Tweet refworks
 
Avaa tiedosto
Parallel published_Puuska_Kokkonen_Alatalo_Heilimo_2019.pdf (319.4Kt)
Lataukset: 


Puuska, Samir
Kokkonen, Tero
Alatalo, Janne
Heilimo, Eppu
Springer
2019
© Springer Nature Switzerland AG 2019
doi:10.1007/978-3-030-12942-2_18
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
http://urn.fi/URN:NBN:fi:amk-201902192484

Lähdeviite:
Puuska S., Kokkonen T., Alatalo J., Heilimo E., (2019). Anomaly-Based Network Intrusion Detection Using Wavelets and Adversarial Autoencoders. , Innovative Security Solutions for Information Technology and Communications., In: Lecture Notes in Computer Science book series, Springer. doi:10.1007/978-3-030-12942-2_18
Tiivistelmä
The number of intrusions and attacks against data networks and networked systems increases constantly, while encryption has made it more difficult to inspect network traffic and classify it as malicious. In this paper, an anomaly-based intrusion detection system using Haar wavelet transforms in combination with an adversarial autoencoder was developed for detecting malicious TLS-encrypted Internet traffic. Data containing legitimate, as well as advanced malicious traffic was collected from a large-scale cyber exercise and used in the analysis. Based on the findings and domain expertise, a set of features for distinguishing modern malware from packet timing analysis were chosen and evaluated. Performance of the adversarial autoencoder was compared with a traditional autoencoder. The results indicate that the adversarial model performs better than the traditional autoencoder. In addition, a machine learning pipeline capable of analyzing traffic in near real time was developed for data analysis.
Kokoelmat
  • Julkaisut
Ammattikorkeakoulujen opinnäytetyöt ja julkaisut
Yhteydenotto | Tietoa käyttöoikeuksista | Tietosuojailmoitus | Saavutettavuusseloste
 

Selaa kokoelmaa

NimekkeetTekijätJulkaisuajatKoulutusalatTutkintonimikkeetAsiasanatUusimmatKokoelmat

Henkilökunnalle

Ammattikorkeakoulujen opinnäytetyöt ja julkaisut
Yhteydenotto | Tietoa käyttöoikeuksista | Tietosuojailmoitus | Saavutettavuusseloste