Detailed Information on Publication Record
2008
Improving Anomaly Detection Error Rate by Collective Trust Modeling
REHÁK, Martin, Michal PĚCHOUČEK, Karel BARTOŠ, Martin GRILL, Pavel ČELEDA et. al.Basic information
Original name
Improving Anomaly Detection Error Rate by Collective Trust Modeling
Name in Czech
Zpřesnění detekce anomálií pomocí kolektivního trust modelování
Authors
REHÁK, Martin (203 Czech Republic), Michal PĚCHOUČEK (203 Czech Republic), Karel BARTOŠ (203 Czech Republic), Martin GRILL (203 Czech Republic), Pavel ČELEDA (203 Czech Republic) and Vojtěch KRMÍČEK (203 Czech Republic, guarantor)
Edition
Berlin, Recent Advances in Intrusion Detection, p. 398-399, 2 pp. 2008
Publisher
Springer Berlin / Heidelberg
Other information
Language
English
Type of outcome
Stať ve sborníku
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
United States of America
Confidentiality degree
není předmětem státního či obchodního tajemství
Impact factor
Impact factor: 0.402 in 2005
RIV identification code
RIV/00216224:14330/08:00033975
Organization unit
Faculty of Informatics
ISBN
978-3-540-87402-7
ISSN
UT WoS
000260067900024
Keywords in English
network behavior analysis; trust modeling
Tags
International impact, Reviewed
Změněno: 6/8/2010 09:26, RNDr. Vojtěch Krmíček, Ph.D.
V originále
Current Network Behavior Analysis (NBA) techniques are based on anomaly detection principles and therefore subject to high error rates. We propose a mechanism that deploys trust modeling, a technique for cooperator modeling from the multi-agent research, to improve the quality of NBA results. Our system is designed as a set of agents, each of them based on an existing anomaly detection algorithm coupled with a trust model based on the same traffic representation. These agents minimize the error rate by unsupervised, multi-layer integration of traffic classification. The system has been evaluated on real traffic in Czech academic networks.
In Czech
Aktuální techniky síťové behaviorální analýzy (NBA) jsou založeny na principech detekce anomálií a proto mají vysoké míry chybovosti. Navrhujeme mechanismus využívající trust modelování - techniky pro kooperované modelování z multiagentního výzkumu - za cílem zlepšení kvality NBA výsledků. Náš systém je navržen jako množina agentů, založených na různých existujících algoritmech detekce anomálií a spojených s trust modelováním na stejném provozu. Tito agenti minimalizujcí míru chybovosti pomocí vícevrstvé intergrace klasivikace provozu. Systém byl prověřen na reálném provozu v českých univerzitních sítích.
Links
| W911NF-08-1-0250, interní kód MU |
|