公开(公告)号：CN117396868A

公开(公告)日：2024-01-12

申请号：CN202180098471.9

申请日：2021-06-07

Applicant: 日本电信电话株式会社

Inventor： 山田真德 ,  永井智大 ,  寺本泰大 ,  山中友贵 ,  高桥知克 ,  温品贵大

IPC: G06F21/55

Abstract: 提取部(15b)从通信数据的有效载荷提取固定长度的特征量。计算部(15e)计算异常的各通信数据的特征量间的相似度。判定部(15f)在计算出的相似度大于规定的阈值的情况下，判定为是同一种类的事件。

公开(公告)号：CN117441321A

公开(公告)日：2024-01-23

申请号：CN202180098971.2

申请日：2021-06-07

Applicant: 日本电信电话株式会社

Inventor： 寺本泰大 ,  山田真德 ,  山中友贵 ,  高桥知克 ,  永井智大 ,  小山高明

IPC: H04L9/40

Abstract: 检测装置(10)具有：特征量数据库(16)，其预先存储数据包的特征量、对各数据包的特征量赋予的标签、以及在判定中使用的阈值；编码部(12)，其使用以正常通信的数据包作为训练数据预训练完毕的第1自然语言处理模型，将作为处理对象的数据包转换为特征量；以及判定部(14)，其基于使用第1自然语言处理模型转换出的特征量和在特征量数据库(16)中存储的数据，对使用第1自然语言处理模型转换出的特征量赋予标签，并基于所赋予的标签判定作为处理对象的数据包有无异常。

公开(公告)号：CN116458119A

公开(公告)日：2023-07-18

申请号：CN202080107106.5

申请日：2020-11-19

Applicant: 日本电信电话株式会社

Inventor： 永井智大 ,  山田真德 ,  高桥知克 ,  寺本泰大 ,  山中友贵

IPC: H04L9/40

Abstract: 估计装置(10)针对被判定为异常或正常的各个数据包，通过对该数据包的有效载荷逐个字符地进行可逆变换来生成特征量，并对生成的特征量赋予该数据包是异常或正常的判定结果。估计装置(10)将上述数据包的有效载荷的特征量以及该数据包是异常或正常的判定结果作为训练数据，通过机器学习来进行模型的学习。估计装置(10)提取学习后的模型中的对分类的贡献度为预定值以上的特征量的维数。并且，估计装置(10)使用提取出的特征量的维数，估计被判定为异常的数据包的有效载荷中的异常的原因部位，并输出该估计的结果。

公开(公告)号：CN113544704A

公开(公告)日：2021-10-22

申请号：CN202080018178.2

申请日：2020-03-11

Applicant: 日本电信电话株式会社

Inventor： 高桥知克 ,  山田真德

IPC: G06N3/02

Abstract: 评价装置接受变分自编码器的隐变量的输入，对所输入的隐变量进行聚类，按每个聚类对属于该聚类的隐变量赋予表示上述聚类的标签。然后，评价装置进行分类器的学习，以按照所赋予的标签正确地对隐变量进行分类，对学习后的分类器进行Adversarial Attack的耐性评价，输出耐性评价的结果。由此，评价装置即使是使用无标签数据作为输入数据的变分自编码器，也能够进行Adversarial Attack的耐性评价。

公开(公告)号：CN116458119B

公开(公告)日：2024-09-10

申请号：CN202080107106.5

申请日：2020-11-19

Applicant: 日本电信电话株式会社

Inventor： 永井智大 ,  山田真德 ,  高桥知克 ,  寺本泰大 ,  山中友贵

IPC: H04L9/40

Abstract: 估计装置(10)针对被判定为异常或正常的各个数据包，通过对该数据包的有效载荷逐个字符地进行可逆变换来生成特征量，并对生成的特征量赋予该数据包是异常或正常的判定结果。估计装置(10)将上述数据包的有效载荷的特征量以及该数据包是异常或正常的判定结果作为训练数据，通过机器学习来进行模型的学习。估计装置(10)提取学习后的模型中的对分类的贡献度为预定值以上的特征量的维数。并且，估计装置(10)使用提取出的特征量的维数，估计被判定为异常的数据包的有效载荷中的异常的原因部位，并输出该估计的结果。

公开(公告)号：CN113544704B

公开(公告)日：2024-07-19

申请号：CN202080018178.2

申请日：2020-03-11

Applicant: 日本电信电话株式会社

Inventor： 高桥知克 ,  山田真德

IPC: G06N3/02

Abstract: 评价装置接受变分自编码器的隐变量的输入，对所输入的隐变量进行聚类，按每个聚类对属于该聚类的隐变量赋予表示上述聚类的标签。然后，评价装置进行分类器的学习，以按照所赋予的标签正确地对隐变量进行分类，对学习后的分类器进行Adversarial Attack的耐性评价，输出耐性评价的结果。由此，评价装置即使是使用无标签数据作为输入数据的变分自编码器，也能够进行Adversarial Attack的耐性评价。

公开(公告)号：CN117280357A

公开(公告)日：2023-12-22

申请号：CN202180098115.7

申请日：2021-05-28

Applicant: 日本电信电话株式会社

Inventor： 高桥知克 ,  山田真德 ,  永井智大 ,  山中友贵

IPC: G06N20/00

Abstract: 取得部(15a)取得作为检测对象的数据和正常的基准数据。计算部(15b)计算取得的所述数据与所述基准数据之间的LPIPS(Learned Perceptual Image Patch Similarity：学习感知图像块相似度)距离。分类部(15d)使用如下模型来取得要分类的数据，该模型使用计算出的所述LPIPS距离来将取得的所述数据分类为干净样本(Clean Sample)或对抗样本(Adversarial Example)。