Fugu-MT 論文翻訳(概要): Individual Packet Features are a Risk to Model Generalisation in ML-Based Intrusion Detection

論文の概要: Individual Packet Features are a Risk to Model Generalisation in ML-Based Intrusion Detection

arxiv url: http://arxiv.org/abs/2406.07578v1
Date: Fri, 7 Jun 2024 21:05:33 GMT
ステータス: 処理完了
システム内更新日: 2024-06-13 21:45:26.478820
Title: Individual Packet Features are a Risk to Model Generalisation in ML-Based Intrusion Detection
Title（参考訳）: MLによる侵入検出における個々のパケットの特徴はモデル一般化のリスクである
Authors: Kahraman Kostas, Mike Just, Michael A. Lones,
Abstract要約: 個々のパケット特徴(IPF)は、タイミング、サイズ、およびソース決定情報などの単一のネットワークパケットから抽出された属性である。我々はIPFの限界を特定し、誤って高い検出率が得られることを示す。本研究は,堅牢な侵入検知のためのパケット相互作用を考慮したアプローチの必要性を強調した。
参考スコア（独自算出の注目度）: 3.3772986620114387
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning is increasingly used for intrusion detection in IoT networks. This paper explores the effectiveness of using individual packet features (IPF), which are attributes extracted from a single network packet, such as timing, size, and source-destination information. Through literature review and experiments, we identify the limitations of IPF, showing they can produce misleadingly high detection rates. Our findings emphasize the need for approaches that consider packet interactions for robust intrusion detection. Additionally, we demonstrate that models based on IPF often fail to generalize across datasets, compromising their reliability in diverse IoT environments.
Abstract（参考訳）: マシンラーニングはIoTネットワークの侵入検出にますます利用されている。本稿では,1つのネットワークパケットから抽出した属性であるIPF(Single packet Feature)の有効性について検討する。文献のレビューや実験を通じて、IPFの限界を特定し、誤って高い検出率が得られることを示す。本研究は,堅牢な侵入検知のためのパケット相互作用を考慮したアプローチの必要性を強調した。さらに、IPFに基づくモデルがデータセットをまたいだ一般化に失敗し、さまざまなIoT環境における信頼性を損なうことも示しています。

関連論文リスト

Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
論文参考訳（メタデータ） (2024-12-18T13:03:00Z)
GeMID: Generalizable Models for IoT Device Identification [4.029017464832905]
デバイス識別(DI)は、そのトラフィックパターンに基づいてIoTデバイスを識別する。機械学習モデルを構築する既存のDIアプローチは、様々なネットワーク環境におけるモデル一般化可能性の課題を見落としていることが多い。本稿では,この制限に対処する新しいフレームワークを提案し,異なるネットワーク環境において収集されたデータセット間のDIモデルの一般化性を評価する。
論文参考訳（メタデータ） (2024-11-05T17:09:43Z)
Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [58.60915132222421]
本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
論文参考訳（メタデータ） (2024-08-23T01:53:36Z)
Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。 AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
論文参考訳（メタデータ） (2024-07-10T07:23:21Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
IoTGeM: Generalizable Models for Behaviour-Based IoT Attack Detection [3.3772986620114387]
一般化性を重視したIoTネットワーク攻撃をモデル化するアプローチを提案する。まず,機能抽出のための転がり窓のアプローチを改良し,オーバーフィッティングを低減した多段階機能選択プロセスを提案する。次に、独立したトレインとテストデータセットを使用してモデルを構築し、テストする。第3に、機械学習モデル、評価指標、データセットの多様なポートフォリオを使用して、方法論を厳格に評価する。
論文参考訳（メタデータ） (2023-10-17T21:46:43Z)
TII-SSRC-23 Dataset: Typological Exploration of Diverse Traffic Patterns for Intrusion Detection [0.5261718469769447]
既存のデータセットは、しばしば不足しており、必要な多様性と現在のネットワーク環境との整合性が欠如している。本稿では,これらの課題を克服するための新しい包括的データセットであるTII-SSRC-23を紹介する。
論文参考訳（メタデータ） (2023-09-14T05:23:36Z)
Ensemble Learning based Anomaly Detection for IoT Cybersecurity via Bayesian Hyperparameters Sensitivity Analysis [2.3226893628361682]
IoT(Internet of Things)は、世界中の何十億ものインテリジェントデバイスを統合し、他の接続デバイスと通信する機能を備えている。 IoTによって収集されたデータには、異常検出のための膨大な情報が含まれている。本稿では,異常検出によるIoTサイバーセキュリティ向上のためのアンサンブル機械学習手法について検討する。
論文参考訳（メタデータ） (2023-07-20T05:23:49Z)
Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
論文参考訳（メタデータ） (2023-02-02T13:41:18Z)
Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
論文参考訳（メタデータ） (2021-09-21T16:18:45Z)
Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文参考訳（メタデータ） (2021-02-27T03:17:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。