著者: 禅とコンピュータープログラミングの芸術
1 はじめに
画像ベースの侵入検知 (画像に基づく侵入検知、IDI) システムは複雑かつ重要な応用分野であり、コンピュータ ネットワーク内の悪意のある動作、脅威、攻撃を監視および特定するために使用でき、幅広い応用価値があります。近年のディープラーニング技術の発展により、画像処理は新たな注目の研究分野となっています。この記事では、レビュー記事として、最も一般的に使用されている画像ベースの侵入検知手法と、ディープラーニング技術の最新の進歩を組み合わせて紹介し、さまざまな分野の最新の研究結果を客観的にレビューします。最後に、読者に今後の研究の方向性についての展望も提供します。時間の制約により、この記事で取り上げる関連技術分野はさらに拡張する必要があります。
2. キーワード: ディープラーニング、侵入検知、画像特徴抽出、畳み込みニューラルネットワーク、畳み込みオートエンコーダ、教師なし学習、オートエンコーダ、半教師あり学習、GAN、マルチタスク学習など。
3.はじめに
画像特徴抽出は深層学習の基本タスクであり、多くのコンピューター ビジョン分野で広く使用されています。最近の研究では、畳み込みニューラル ネットワーク (CNN) が画像内のグローバル情報を効果的にキャプチャし、分類タスクで非常に優れたパフォーマンスを達成できることが示されています。そのため、CNNをベースとした画像特徴抽出技術は、現在ディープラーニングの主流手法の1つとなりつつあります。
画像の特徴抽出と同様に、画像の分類と認識も重要な機械学習タスクです。深層学習に基づく画像分類手法は主に 2 つのカテゴリに分類され、1 つは教師なし手法、つまりトレーニング セットにはラベル情報が含まれず、画像間の類似性のみをトレーニングに使用できます。もう 1 つは教師あり手法です。つまり、トレーニング セットにはラベル情報と画像間の相関関係の両方が含まれており、この情報がトレーニングに使用されます。どちらの方法にも独自の長所と短所があります。
クラスター分析 (Cluster Analysis)、ディープクラスター分析 (Deep Clustering)、オートエンコーダー (Autoencoder)、GAN などの教師なし手法。教師なし手法では、通常、最初にデータセットを分類し、次に分類結果をラベルとして使用して元のデータに再ラベル付けする必要があります。データの類似性と基礎となる構造のため