WIPO logo
Mobile | Deutsch | English | Español | 日本語 | 한국어 | Português | Русский | 中文 | العربية |
PATENTSCOPE

Recherche dans les collections de brevets nationales et internationales
World Intellectual Property Organization
Recherche
 
Options de navigation
 
Traduction
 
Options
 
Quoi de neuf
 
Connexion
 
Aide
 
Traduction automatique
1. (WO2015103520) APPRENTISSAGE DISTRIBUÉ D’UN MODÈLE D’APPRENTISSAGE MACHINE POUR DÉTECTER DES ATTAQUES DE RÉSEAU DANS UN RÉSEAU INFORMATIQUE
Dernières données bibliographiques dont dispose le Bureau international   

N° de publication :    WO/2015/103520    N° de la demande internationale :    PCT/US2015/010114
Date de publication : 09.07.2015 Date de dépôt international : 05.01.2015
CIB :
H04L 12/24 (2006.01), H04L 29/06 (2006.01)
Déposants : CISCO TECHNOLGY, INC. [US/US]; 170 West Tasman Drive San Jose, CA 95134 (US)
Inventeurs : VASSEUR, Jean-Philippe; (FR).
CRUZ MOTA, Javier; (CH).
DI PIETRO, Andrea; (CH)
Mandataire : BEHMKE, James, M.; (US)
Données relatives à la priorité :
61/923,847 06.01.2014 US
14/164,446 27.01.2014 US
Titre (EN) DISTRIBUTED TRAINING OF A MACHINE LEARNING MODEL TO DETECT NETWORK ATTACKS IN A COMPUTER NETWORK
(FR) APPRENTISSAGE DISTRIBUÉ D’UN MODÈLE D’APPRENTISSAGE MACHINE POUR DÉTECTER DES ATTAQUES DE RÉSEAU DANS UN RÉSEAU INFORMATIQUE
Abrégé : front page image
(EN)Training method to train machine learning model (e.g., neural network) used to identify attacks in a network (e.g., denial of service). A first data set is received by a network device that is indicative of the statuses of a plurality of network devices when a type of network attack is not present. A second data set is also received that is indicative of the statuses of the plurality of network devices when the type of network attack is present. At least one of the plurality simulates the type of network attack by operating as an attacking node. A machine learning model is trained using the first and second data set to identify the type of network attack. A real network attack is then identified using the trained machine learning model. Application in Low Power and Lossy Networks.
(FR)L’invention concerne un procédé d’apprentissage pour apprendre un modèle d’apprentissage machine (par exemple, un réseau neuronal) utilisé pour identifier des attaques dans un réseau (par exemple, le refus d’un service). Un premier ensemble de données est reçu par un dispositif de réseau qui est indicatif des états d’une pluralité de dispositifs de réseau lorsqu’un type d’attaque de réseau n’est pas présent. Un second ensemble de données est également reçu, lequel est indicatif des états de la pluralité de dispositifs de réseau lorsque le type d’attaque de réseau est présent. Au moins l’un de la pluralité simule le type d’attaque de réseau en fonctionnant comme nœud d’attaque. Un modèle d’apprentissage machine est appris à l’aide des premier et second ensembles de données pour identifier le type d’attaque de réseau. Une attaque de réseau réelle est ensuite identifiée à l’aide du modèle d’apprentissage machine appris. Application aux réseaux à faible consommation d’énergie et avec perte.
États désignés : AE, AG, AL, AM, AO, AT, AU, AZ, BA, BB, BG, BH, BN, BR, BW, BY, BZ, CA, CH, CL, CN, CO, CR, CU, CZ, DE, DK, DM, DO, DZ, EC, EE, EG, ES, FI, GB, GD, GE, GH, GM, GT, HN, HR, HU, ID, IL, IN, IR, IS, JP, KE, KG, KN, KP, KR, KZ, LA, LC, LK, LR, LS, LU, LY, MA, MD, ME, MG, MK, MN, MW, MX, MY, MZ, NA, NG, NI, NO, NZ, OM, PA, PE, PG, PH, PL, PT, QA, RO, RS, RU, RW, SA, SC, SD, SE, SG, SK, SL, SM, ST, SV, SY, TH, TJ, TM, TN, TR, TT, TZ, UA, UG, US, UZ, VC, VN, ZA, ZM, ZW.
Organisation régionale africaine de la propriété intellectuelle (ARIPO) (BW, GH, GM, KE, LR, LS, MW, MZ, NA, RW, SD, SL, ST, SZ, TZ, UG, ZM, ZW)
Office eurasien des brevets (OEAB) (AM, AZ, BY, KG, KZ, RU, TJ, TM)
Office européen des brevets (OEB) (AL, AT, BE, BG, CH, CY, CZ, DE, DK, EE, ES, FI, FR, GB, GR, HR, HU, IE, IS, IT, LT, LU, LV, MC, MK, MT, NL, NO, PL, PT, RO, RS, SE, SI, SK, SM, TR)
Organisation africaine de la propriété intellectuelle (OAPI) (BF, BJ, CF, CG, CI, CM, GA, GN, GQ, GW, KM, ML, MR, NE, SN, TD, TG).
Langue de publication : anglais (EN)
Langue de dépôt : anglais (EN)