Fugu-MT 論文翻訳(概要): Adaptive NAD: Online and Self-adaptive Unsupervised Network Anomaly Detector

論文の概要: Adaptive NAD: Online and Self-adaptive Unsupervised Network Anomaly Detector

arxiv url: http://arxiv.org/abs/2410.22967v2
Date: Thu, 13 Feb 2025 08:05:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-14 13:44:14.010181
Title: Adaptive NAD: Online and Self-adaptive Unsupervised Network Anomaly Detector
Title（参考訳）: Adaptive NAD:オンラインおよび自己適応型ネットワーク異常検出装置
Authors: Yachao Yuan, Yu Huang, Yali Yuan, Jin Wang,
Abstract要約: モノのインターネット(IoT)はサイバー脅威のリスクを高めており、進化や新たな攻撃に適応可能な異常検出システム(ADS)の開発が重要になっている。これまでの研究は主に、実世界の応用には適用できないALSを保護するためのオフラインの教師なし学習手法に焦点をあてていた。本稿では、セキュリティドメインにおけるオンラインの教師なし異常検出を改善し、解釈するための一般的なフレームワークであるAdaptive NADを設計する。
参考スコア（独自算出の注目度）: 6.430347394645541
License:
Abstract: The widespread usage of the Internet of Things (IoT) has raised the risks of cyber threats, thus developing Anomaly Detection Systems (ADSs) that can adapt to evolving or new attacks is critical. Previous studies primarily focused on offline unsupervised learning methods to safeguard ADSs, which is not applicable in practical real-world applications. Besides, most of them strongly rely on assumptions of known legitimates and fail to satisfy the interpretable requirements in security applications, creating barriers to the adoption in practice. In this paper, we design Adaptive NAD, a general framework to improve and interpret online unsupervised anomaly detection in security domains. An interpretable two-layer anomaly detection strategy is proposed to generate reliable high-confidence pseudo-labels. Then, an online learning scheme is introduced to update Adaptive NAD by a novel threshold calculation technique to adapt to new threats. Experimental results demonstrate that Adaptive NAD achieves more than 5.4%, 23.0%, and 3.2% improvements in SPAUC compared with state-of-the-art solutions on the CIC-Darknet2020, CIC-DoHBrw-2020, and Edge-IIoTset datasets, respectively. The code is released at https://github.com/MyLearnCodeSpace/Adaptive-NAD.
Abstract（参考訳）: モノのインターネット(IoT)の普及がサイバー脅威のリスクを高めているため、進化や新たな攻撃に適応可能な異常検出システム(ADS)の開発が重要になっている。これまでの研究は主に、実世界の応用には適用できないALSを保護するためのオフラインの教師なし学習手法に焦点をあてていた。さらに、その多くは既知の正当性の仮定に強く依存しており、セキュリティアプリケーションの解釈可能な要件を満たしていないため、実際に採用する上で障壁が生じる。本稿では、セキュリティドメインにおけるオンラインの教師なし異常検出を改善し、解釈するための一般的なフレームワークであるAdaptive NADを設計する。信頼度の高い擬似ラベルを生成するために,解釈可能な2層異常検出手法を提案する。そして、新たな脅威に対応するために、新しいしきい値計算手法によってAdaptive NADを更新するオンライン学習スキームを導入する。実験の結果、Adaptive NADは、CIC-Darknet2020、CIC-DoHBrw-2020、Edge-IIoTsetデータセットの最先端ソリューションと比較して、SPAUCの5.4%、23.0%、および3.2%の改善を達成している。コードはhttps://github.com/MyLearnCodeSpace/Adaptive-NADで公開されている。

関連論文リスト

A Conditional Tabular GAN-Enhanced Intrusion Detection System for Rare Attacks in IoT Networks [1.1970409518725493]
モノのインターネット(IoT)ネットワークは、6G技術によって強化され、さまざまな産業に変化をもたらしている。彼らの普及は、特に稀だが潜在的に破壊的なサイバー攻撃を検出する際に、重大なセキュリティリスクをもたらす。従来のIDSは、IoTデータの深刻なクラス不均衡により、まれな攻撃を検出するのに苦労することが多い。
論文参考訳（メタデータ） (2025-02-09T21:13:11Z)
Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning [0.0]
侵入検知システム(IDS)は,異常なネットワーク行動や悪質な活動の検出・防止に不可欠である。本研究は,次元縮小のためのオートエンコーダの活用を含む,IDS性能向上のための6つの革新的なアプローチを実装した。我々はJetson Nano上で最初にモデルをデプロイし、バイナリ分類では0.185ms、マルチクラス分類では0.187msの推論時間を達成する。
論文参考訳（メタデータ） (2025-01-25T16:24:18Z)
Trustworthy Intrusion Detection: Confidence Estimation Using Latent Space [7.115540429006041]
侵入検知システム(IDS)における異常検出の信頼性向上のための新しい手法を提案する。遅延空間表現に基づく信頼度尺度の開発により,サイバー攻撃に対するIDS予測の信頼性向上を目指す。 NSL-KDDデータセットの適用により,通常のネットワークアクティビティと悪意のあるネットワークアクティビティを効果的に区別するバイナリ分類タスクに焦点をあてる。
論文参考訳（メタデータ） (2024-09-19T08:09:44Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
論文参考訳（メタデータ） (2024-02-01T18:29:16Z)
Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
論文参考訳（メタデータ） (2023-10-07T07:53:12Z)
Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文参考訳（メタデータ） (2023-06-06T14:19:23Z)
Uncertainty-Aware Source-Free Adaptive Image Super-Resolution with Wavelet Augmentation Transformer [60.31021888394358]
Unsupervised Domain Adaptation (UDA)は、現実世界の超解像(SR)における領域ギャップ問題に効果的に対処できる本稿では,画像SR(SODA-SR)のためのSOurce-free Domain Adaptationフレームワークを提案する。
論文参考訳（メタデータ） (2023-03-31T03:14:44Z)
Confidence Attention and Generalization Enhanced Distillation for Continuous Video Domain Adaptation [62.458968086881555]
連続ビデオドメイン適応(CVDA、Continuous Video Domain Adaptation)は、ソースモデルが個々の変更対象ドメインに適応する必要があるシナリオである。 CVDAの課題に対処するため,遺伝子組み換え型自己知識解離(CART)を用いた信頼性保証ネットワークを提案する。
論文参考訳（メタデータ） (2023-03-18T16:40:10Z)
Exploring Adversarially Robust Training for Unsupervised Domain Adaptation [71.94264837503135]
Unsupervised Domain Adaptation (UDA)メソッドは、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的としている。本稿では、UDAのドメイン不変性を学習しながら、ATを介してラベルなしデータのロバスト性を高める方法について検討する。本稿では,ARTUDA と呼ばれる UDA の適応的ロバストトレーニング手法を提案する。
論文参考訳（メタデータ） (2022-02-18T17:05:19Z)
A Novel Online Incremental Learning Intrusion Prevention System [2.5234156040689237]
本稿では,自己組織型インクリメンタルニューラルネットワークとサポートベクトルマシンを併用したネットワーク侵入防止システムを提案する。提案システムは,その構造上,シグネチャやルールに依存しないセキュリティソリューションを提供するとともに,既知の攻撃や未知の攻撃を高精度にリアルタイムに軽減することができる。
論文参考訳（メタデータ） (2021-09-20T13:30:11Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。