学习装置、检测系统、学习方法以及学习程序制造方法及图纸

学习装置(10)具有：取得部(11)，其取得多个作为学习对象的正常通信数据；第1估计部(121)，其学习正常通信数据，估计正常通信数据的概率密度，更新模型的参数；聚类部(122)，其根据由第1估计部(121)估计出的概率密度对正常通信数据进行聚类；第2估计部(123)，其按照由聚类部(122)聚类后的每个聚类进行学习，对参数的初始值使用在第1估计部(121)中已学习的参数，估计每个聚类的正常通信数据的概率密度，更新表示每个聚类的正常通信数据的概率密度的特征的模型的参数；以及整合部(124)，其对估计出的每个聚类的概率密度进行整合。估计出的每个聚类的概率密度进行整合。估计出的每个聚类的概率密度进行整合。

【技术实现步骤摘要】
【国外来华专利技术】学习装置、检测系统、学习方法以及学习程序


[0001]本专利技术涉及学习装置、检测系统、学习方法以及学习程序。

技术介绍

[0002]随着IoT(Internetof Things：物联网)时代的到来，多种设备(IoT设备)与互联网连接，进行多种使用方式。IoT设备通过多个服务协作而产生价值。因此，所有的设备协作地进行工作，因此产生设想外的组合而产生脆弱性，因此IoT设备的安全性(特别是异常检测)是很重要的。
[0003]由于IoT设备多种多样，因此为了应对各种IoT设备，异常检测器大多使用深度学习(Deep Learning)。另外，为了应对零散攻击，作为IoT设备的异常检测器，大多使用无教师的异常型(anomaly type)的异常检测器。
[0004]例如，作为IoT设备的异常检测器，有使用VAE(Variational Auto Encoder：变分自编码)等基于无教师学习的概率密度估计器的异常检测器。在该技术中，在学习正常的通信数据的概率密度后，将概率密度低的通信检测为异常。因此，在该技术中，仅知道正常的通信数据即可，本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种学习装置，其特征在于，该学习装置具有：取得部，其取得多个作为学习对象的正常通信数据；第1估计部，其学习所述正常通信数据，估计所述正常通信数据的概率密度，并且更新模型的参数；聚类部，其根据由所述第1估计部估计出的所述概率密度，对所述正常通信数据进行聚类；第2估计部，其针对由所述聚类部聚类后的每个聚类进行学习，对参数的初始值使用在所述第1估计部中已学习的参数，估计所述每个聚类的所述正常通信数据的概率密度，更新表示所述每个聚类的所述正常通信数据的概率密度的特征的模型的参数；以及整合部，其对所估计出的所述每个聚类的概率密度进行整合。2.根据权利要求1所述的学习装置，其特征在于，第2估计部针对所述每个聚类具有概率密度估计器，各概率密度估计器对参数的初始值使用在所述第1估计部中已学习的参数，按照所述每个聚类进行学习，更新各自具有的模型的参数。3.一种检测系统，所述检测系统具有：检测装置，其基于表示通信数据的概率密度的特征的模型来检测通信数据的异常；以及学习装置，其更新所述模型的参数，其特征在于，所述学习装置具有：取得部，其取得多个作为学习对象的正常通信数据；第1估计部，其学习所述正常通信数据，估计所述正常通信数据的概率密度；聚类部，其根据由所述第1估计部估计出的所述概率密度，对所述正常通信数据进行聚类；第2估计部，其针对由所述聚类部聚类后的每个聚类进行学习，对参数的初始值使用在所述第1估计部中已学习的参数，估计所述每个聚类的所述正常通信数据的概率密度，更新所述模型的参数；以及整合部，其对所估计出的所述每个聚类的概率密度进行整合，所述检测装置具有：第3估计部，其应用由所述第2估计部更新后的所述模型的参数，来估计检测对象的通信数据的概率密度；以及检测部，其基于由所述第3估计部估计出的概率密度来检测所述检测对象的通信数据有无异常。4.根据权利要求3所述的检测系统，其特征在于，第2估计部针对所述每个聚类具有概率密度估计器，各概率密度...

【专利技术属性】
技术研发人员：山田真德，
申请(专利权)人：日本电信电话株式会社，
类型：发明
国别省市：