1.1 Network Anomaly Detection1.2 Te

1.1 Network Anomaly Detection
1.2 Technical Issues and Challenges
1.3 Objectives in Research 2 Related Work
2. 1 Classification of Anomaly Detection Approaches
2.2 Host Based Anomaly Detection
2.3 Statistical Approaches to Network Anomaly Detection
2.4 Rule Based Approaches to Network Anomaly Detection
2.5 Network Anomaly Detection with Machine Learning
2.6 Hybrid Techniques
2.7 Dynamic Anomaly Detection
2.8 Open Issues in Network Anomaly Detection
2.9 Attack Mitigation through Quality of Service 3 Thesis Proposed Work
3.1 1 Overview
3.2 Prediction Confidence Forwarding
3.2.1 A Generic Detection Model
3.2.2 Relationship between anomalies and intent

Self-Adaptive Anomaly Detection
3.3.1 Adaptive Input Normalization
3.3.2 Adaptive Thresholds
3.3.3 Dynamic Attack Classification
3.4 Self Tuning Anomaly Detection
3.4.1 Parameter Tuning for Anomaly Detection

3.4.2 Reinforcement Learning for Automated Tuning Self Optimizing Anomaly Detection
3.5.1 A Model for Optimal Objective for Intrusion Detection
3.5.2 Reinforcement Learning for Dynamic Control
3.6 Automated Response
3.6.1 Learned Response to Attack Taxonomy
3.6.2 QoS Provisioning for Scalable Response
3.7 A Framework for Automated Anomaly Detection
3.7.1 Growing Hierarchical Self Organizing Map
3.7.2 QoS Based Mitigation for Scalable Automated Response
3.8 Evaluation Approaches
3.9 Expected Contributions
3.10 Success Criteria
4 Preliminary studies
4.1 A-GHSOM for Network Intrusion Detection
4.2 FBS-DD: a Fair Bandwidth Sharing and Delay Differentiation Mechanism
4.3 TD-SIM: an Integrated Dataset of Live Traces and Simulated Data 5 Research Plan
5.1 Design of the System Framework
5.3 Test and Evaluation
5.4 Publication of Results 6 Summary
References

Kết quả (Việt) 1:

Cách 1.1 mạng bất thường phát hiện1.2 kỹ thuật các vấn đề và thách thức1.3 mục tiêu trong nghiên cứu công việc liên quan đến 22. 1 phân loại bất thường phát hiện phương pháp tiếp cận2.2 chủ dựa phát hiện bất thường2.3 thống kê các phương pháp tiếp cận để mạng bất thường phát hiện2.4 quy tắc dựa trên phương pháp tiếp cận để mạng phát hiện bất thường2.5 mạng phát hiện bất thường với máy học2.6 lai kỹ thuật2.7 động bất thường phát hiện2,8 mở các vấn đề trong mạng bất thường phát hiện2.9 tấn công giảm nhẹ thông qua chất lượng của dịch vụ 3 luận án đề nghị làm việc3.1 1 tổng quan3.2 dự đoán sự tự tin chuyển tiếp3.2.1 một mô hình chung phát hiện3.2.2 mối quan hệ giữa dị thường và mục đích Phát hiện self-Adaptive bất thường3.3.1 bình thường hóa đầu vào thích nghi3.3.2 thích nghi ngưỡng3.3.3 phân loại động tấn công3.4 tự điều chỉnh phát hiện bất thường3.4.1 tham số điều chỉnh để phát hiện bất thường 3.4.2 tăng cường việc học để tự động điều chỉnh tự tối ưu hóa bất thường phát hiện3.5.1 một mô hình cho các mục tiêu tối ưu cho phát hiện xâm nhập3.5.2 tăng cường việc học để kiểm soát động3,6 tự động phản ứng3.6.1 học phản ứng để tấn công phân loại3.6.2 QoS cung cấp cho khả năng mở rộng phản ứng3.7 một khuôn khổ để phát hiện tự động bất thường3.7.1 phát triển thứ bậc tự tổ chức các bản đồ3.7.2 QoS dựa giảm nhẹ cho phản ứng tự động khả năng mở rộng3.8 phương pháp tiếp cận đánh giá3.9 dự kiến đóng góp3.10 tiêu chí thành công4 nghiên cứu sơ bộ4.1 A-GHSOM phát hiện xâm nhập mạng4.2 FBS-DD: một công bằng băng thông chia sẻ và trì hoãn sự khác biệt cơ chế4.3 TD-SIM: một bộ dữ liệu tích hợp trực tiếp dấu vết và mô phỏng dữ liệu 5 nghiên cứu kế hoạch5.1 thiết kế của khuôn khổ hệ thống5.3 thử nghiệm và đánh giá5.4 các ấn phẩm của bản tóm tắt kết quả 6Tài liệu tham khảo

Kết quả (Việt) 2:

1.1 Mạng Anomaly Detection
1.2 Các vấn đề và thách thức kỹ thuật
1.3 Mục tiêu nghiên cứu trong 2 Công trình liên quan
2. 1 Phân loại Anomaly Detection Phương pháp tiếp cận
2.2 chủ Dựa Anomaly Detection
2.3 Các phương pháp thống kê để mạng Anomaly Detection
2.4 Rule Dựa phương pháp tiếp cận mạng Anomaly Detection
2.5 Mạng Anomaly Detection với Machine Learning
2.6 Kỹ thuật lai
2,7 động Anomaly Detection
2.8 Các vấn đề Open in mạng Anomaly Detection
2.9 tấn giảm nhẹ thông qua chất lượng dịch vụ 3 Thesis dự Work
3.1 1 Tổng quan
3.2 Dự đoán Sự tự tin giao nhận
3.2.1 Một Generic Phát hiện mẫu
3.2.2 Mối quan hệ giữa bất thường và ý định tự thích ứng Anomaly Detection 3.3.1 thích ứng Input Normalization 3.3.2 thích ứng Ngưỡng 3.3.3 Năng động Phân loại tấn công 3,4 Self Tuning Anomaly Detection 3.4.1 Thông số chỉnh cho Anomaly Detection 3.4.2 Tăng cường học tập cho Automated chỉnh tự tối ưu hóa Anomaly Detection 3.5.1 Một mô hình cho Mục tiêu tối ưu cho Intrusion Detection 3.5.2 Tăng cường học tập cho điều khiển động 3.6 Automated Response 3.6 0,1 Response học kinh nghiệm để tấn công mục phân loại 3.6.2 QoS Provisioning cho Scalable Response 3.7 Một khuôn khổ cho Automated Anomaly Detection 3.7.1 Trồng Hierarchical tự bản đồ Tổ chức 3.7.2 QoS Dựa giảm thiểu Scalable Automated Response 3.8 Phương pháp tiếp cận đánh giá 3.9 Đóng góp Dự kiến 3.10 Success Criteria 4 Nghiên cứu sơ bộ 4.1 A-GHSOM cho mạng Intrusion Detection 4.2 FBS-DD: Cơ chế Fair Bandwidth Sharing và Delay Sự khác biệt 4,3 TD-SIM: một Dataset tích hợp của vết Live và mô phỏng dữ liệu 5 Kế hoạch nghiên cứu 5.1 Thiết kế của hệ thống khung 5.3 Kiểm tra và đánh giá 5.4 Công bố kết quả 6 Tóm tắt Tài liệu tham khảo