論文の概要: Design and implementation of a distributed security threat detection system integrating federated learning and multimodal LLM

• arxiv url: http://arxiv.org/abs/2502.17763v1
• Date: Tue, 25 Feb 2025 01:44:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:18:39.786826
• Title: Design and implementation of a distributed security threat detection system integrating federated learning and multimodal LLM
• Title（参考訳）: 連合学習とマルチモーダルLLMを組み合わせた分散セキュリティ脅威検出システムの設計と実装
• Authors: Yuqing Wang, Xiao Yang,
• Abstract要約: 本稿では,多モーダル大規模言語モデル(LLM)とフェデレーション学習を統合した分散セキュリティ脅威検出システムを提案する。 10TBの分散データセットを実験的に評価した結果,従来のベースラインモデルよりも4.1ポイント高い96.4%の精度で検出できることがわかった。 性能分析により,本システムは分散環境における効率的な処理能力を維持し,モデルトレーニングに180秒,分散ネットワークにまたがる脅威検出に3.8秒を要することがわかった。
• 参考スコア（独自算出の注目度）: 11.657154571216234
• License:
• Abstract: Traditional security protection methods struggle to address sophisticated attack vectors in large-scale distributed systems, particularly when balancing detection accuracy with data privacy concerns. This paper presents a novel distributed security threat detection system that integrates federated learning with multimodal large language models (LLMs). Our system leverages federated learning to ensure data privacy while employing multimodal LLMs to process heterogeneous data sources including network traffic, system logs, images, and sensor data. Experimental evaluation on a 10TB distributed dataset demonstrates that our approach achieves 96.4% detection accuracy, outperforming traditional baseline models by 4.1 percentage points. The system reduces both false positive and false negative rates by 1.8 and 2.4 percentage points respectively. Performance analysis shows that our system maintains efficient processing capabilities in distributed environments, requiring 180 seconds for model training and 3.8 seconds for threat detection across the distributed network. These results demonstrate significant improvements in detection accuracy and computational efficiency while preserving data privacy, suggesting strong potential for real-world deployment in large-scale security systems.
• Abstract（参考訳）: 従来のセキュリティ保護手法は、特に検出精度とデータプライバシの懸念のバランスをとる場合、大規模分散システムの高度な攻撃ベクトルに対処するのに苦労する。 本稿では,多モーダル大規模言語モデル(LLM)とフェデレーション学習を統合した分散セキュリティ脅威検出システムを提案する。 本システムは,ネットワークトラフィック,システムログ,画像,センサデータなどの異種データソースを処理するために,マルチモーダル LLM を用いてデータプライバシを確保するために,フェデレートラーニングを活用している。 10TBの分散データセットを実験的に評価した結果,従来のベースラインモデルよりも4.1ポイント高い96.4%の精度で検出できることがわかった。 このシステムは偽陽性率と偽陰性率の両方をそれぞれ1.8と2.4のパーセンテージで減少させる。 性能分析により,本システムは分散環境における効率的な処理能力を維持し,モデルトレーニングに180秒,分散ネットワークにまたがる脅威検出に3.8秒を要することがわかった。 これらの結果は、データのプライバシを保ちながら検出精度と計算効率を著しく向上させ、大規模セキュリティシステムにおける現実世界の展開の可能性を示している。

関連論文リスト

• Efficient Federated Intrusion Detection in 5G ecosystem using optimized BERT-based model [0.7100520098029439]
  5Gは高度なサービスを提供し、IoT(Internet of Things)内のインテリジェントトランスポート、コネクテッドヘルスケア、スマートシティなどのアプリケーションをサポートする。 これらの進歩は、ますます高度なサイバー攻撃を伴う、重大なセキュリティ上の課題をもたらす。 本稿では,連合学習と大規模言語モデル(LLM)を用いた頑健な侵入検知システム(IDS)を提案する。
  論文  参考訳（メタデータ） (2024-09-28T15:56:28Z)
• Decentralized Federated Anomaly Detection in Smart Grids: A P2P Gossip Approach [0.44328715570014865]
  本稿では,ランダムウォーク(Random Walk)とエピデミック(Epidemic)という2つの主要なゴシッププロトコルに基づく分散化フェデレーション異常検出手法を提案する。 従来のフェデレートラーニングに比べて,トレーニング時間の35%が顕著に改善されている。
  論文  参考訳（メタデータ） (2024-07-20T10:45:06Z)
• 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)
• Deep Learning-based Embedded Intrusion Detection System for Automotive CAN [12.084121187559864]
  このような脅威を検知し、対処するために、さまざまな侵入検出アプローチが提案されており、機械学習モデルは極めて効果的である。 我々は,専用ハードウェアアクセラレータを通じて,IDS機能を透過的に統合可能なFPGAベースのハイブリッドECUアプローチを提案する。 提案手法では,複数の攻撃データセットの平均精度が99%以上であり,検出レートは0.64%であった。
  論文  参考訳（メタデータ） (2024-01-19T13:13:38Z)
• Distributionally Robust Statistical Verification with Imprecise Neural Networks [4.094049541486327]
  AI安全性における特に困難な問題は、高次元自律システムの振る舞いを保証することだ。 本稿では,アクティブラーニング,不確実性定量化,ニューラルネットワーク検証を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-28T18:06:24Z)
• A Dependable Hybrid Machine Learning Model for Network Intrusion Detection [1.222622290392729]
  本稿では,機械学習とディープラーニングを組み合わせたハイブリッドモデルを提案する。 提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットでテストした場合,優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-12-08T20:19:27Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Identity-Aware Attribute Recognition via Real-Time Distributed Inference in Mobile Edge Clouds [53.07042574352251]
  我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。 本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。 そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
  論文  参考訳（メタデータ） (2020-08-12T12:03:27Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。