english Icono del idioma   español Icono del idioma  

Por favor, use este identificador para citar o enlazar este ítem: https://hdl.handle.net/20.500.12008/25926 Cómo citar
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorGarcía González, Gastón-
dc.contributor.authorCasas, Pedro-
dc.contributor.authorFernández, Alicia-
dc.contributor.authorGómez, Gabriel-
dc.date.accessioned2020-11-20T16:11:33Z-
dc.date.available2020-11-20T16:11:33Z-
dc.date.issued2020-
dc.identifier.citationGarcía González, G., Casas, P., Fernández, A. y otros. On the usage of generative models for network anomaly detection in multivariate time-series [en línea] EN: WAIN 2020 : Workshop on AI in Networks and Distributed Systems, Milan, Italy, 2-6 nov. New York : ACM, 2020. 5 p.es
dc.identifier.urihttps://hdl.handle.net/20.500.12008/25926-
dc.descriptionTransferencia tecnológica. Grupo de investigación Detección de anomalías en series de tiempo, Facultad de Ingeniería. Instituto de Ingeniería Eléctricaes
dc.description.abstractDespite the many attempts and approaches for anomaly detection explored over the years, the automatic detection of rare events in data communication networks remains a complex problem. In this paper we introduce Net-GAN, a novel approach to network anomaly detection in time-series, using recurrent neural networks (RNNs) and generative adversarial networks (GAN). Different from the state of the art, which traditionally focuses on univariate measurements, Net-GAN detects anomalies in multivariate time-series, exploiting temporal dependencies through RNNs. Net-GAN discovers the underlying distribution of the baseline, multivariate data, without making any assumptions on its nature, offering a powerful approach to detect anomalies in complex, difficult to model network monitoring data. We further exploit the concepts behind generative models to conceive Net-VAE, a complementary approach to Net-GAN for network anomaly detection, based on variational auto-encoders (VAE). We evaluate Net-GAN and Net-VAE in different monitoring scenarios, including anomaly detection in IoT sensor data, and intrusion detection in network measurements. Generative models represent a promising approach for network anomaly detection, especially when considering the complexity and ever-growing number of time-series to monitor in operational networks.en
dc.format.extent5 p.es
dc.format.mimetypeapplication/pdfen
dc.language.isoenes
dc.publisherACMes
dc.relation.ispartofWAIN 2020 : Workshop on AI in Networks and Distributed Systems, Milan, Italy, 2-6 nov, page 1-5, 2020en
dc.rightsLas obras depositadas en el Repositorio se rigen por la Ordenanza de los Derechos de la Propiedad Intelectual de la Universidad de la República.(Res. Nº 91 de C.D.C. de 8/III/1994 – D.O. 7/IV/1994) y por la Ordenanza del Repositorio Abierto de la Universidad de la República (Res. Nº 16 de C.D.C. de 07/10/2014)es
dc.subjectDeep learningen
dc.subjectAnomaly detectionen
dc.subjectMultivariate time-seriesen
dc.subjectGenerative modelsen
dc.subjectGenerative adversarial networksen
dc.subjectRecurrent neural networksen
dc.subjectVariational auto-encodersen
dc.subjectArtificial intelligenceen
dc.subjectMachine learningen
dc.subjectNetworking and internet architectureen
dc.titleOn the usage of generative models for network anomaly detection in multivariate time-series.en
dc.typePonenciaes
dc.contributor.filiacionGarcía González Gastón, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacionCasas Pedro, AIT Austrian Institute of Technology-
dc.contributor.filiacionFernández Alicia, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.contributor.filiacionGómez Gabriel, Universidad de la República (Uruguay). Facultad de Ingeniería.-
dc.rights.licenceLicencia Creative Commons Atribución - No Comercial - Sin Derivadas (CC - By-NC-ND 4.0)es
Aparece en las colecciones: Publicaciones académicas y científicas - Instituto de Ingeniería Eléctrica

Ficheros en este ítem:
Fichero Descripción Tamaño Formato   
GCFG20b.pdfVersión aceptada728,25 kBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons