論文の概要: Temporal-Spatial Attention Network (TSAN) for DoS Attack Detection in Network Traffic

• arxiv url: http://arxiv.org/abs/2503.16047v1
• Date: Thu, 20 Mar 2025 11:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:34:58.910583
• Title: Temporal-Spatial Attention Network (TSAN) for DoS Attack Detection in Network Traffic
• Title（参考訳）: ネットワークトラフィックにおけるDoS攻撃検出のための時間空間注意ネットワーク(TSAN)
• Authors: Bisola Faith Kayode, Akinyemi Sadeeq Akintola, Oluwole Fagbohun, Egonna Anaesiuba-Bristol, Onyekachukwu Ojumah, Oluwagbade Odimayo, Toyese Oloyede, Aniema Inyang, Teslim Kazeem, Habeeb Alli, Udodirim Ibem Offia, Prisca Chinazor Amajuoyi,
• Abstract要約: 本稿では、ネットワークトラフィックにおけるDoS攻撃を検出するための、新しい時間空間注意ネットワーク(TSAN)アーキテクチャを提案する。 ネットワークトラフィックの時間的特徴と空間的特徴を両立させることで,従来の手法が見逃すような複雑なトラフィックパターンや異常を捉える。 NSL-KDDデータセットの実験結果は、TSANが最先端モデルより優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Denial-of-Service (DoS) attacks remain a critical threat to network security, disrupting services and causing significant economic losses. Traditional detection methods, including statistical and rule-based models, struggle to adapt to evolving attack patterns. To address this challenge, we propose a novel Temporal-Spatial Attention Network (TSAN) architecture for detecting Denial of Service (DoS) attacks in network traffic. By leveraging both temporal and spatial features of network traffic, our approach captures complex traffic patterns and anomalies that traditional methods might miss. The TSAN model incorporates transformer-based temporal encoding, convolutional spatial encoding, and a cross-attention mechanism to fuse these complementary feature spaces. Additionally, we employ multi-task learning with auxiliary tasks to enhance the model's robustness. Experimental results on the NSL-KDD dataset demonstrate that TSAN outperforms state-of-the-art models, achieving superior accuracy, precision, recall, and F1-score while maintaining computational efficiency for real-time deployment. The proposed architecture offers an optimal balance between detection accuracy and computational overhead, making it highly suitable for real-world network security applications.
• Abstract（参考訳）: デニアル・オブ・サービス(DoS)攻撃は、ネットワークセキュリティにとって重要な脅威であり、サービスを妨害し、重大な経済損失を引き起こしている。 統計モデルやルールベースのモデルを含む従来の検出方法は、進化する攻撃パターンに適応するのに苦労する。 この課題に対処するために、ネットワークトラフィックにおけるDoS攻撃を検出するための新しい時間空間注意ネットワーク(TSAN)アーキテクチャを提案する。 ネットワークトラフィックの時間的特徴と空間的特徴を両立させることで,従来の手法が見逃すような複雑なトラフィックパターンや異常を捉える。 TSANモデルは、トランスフォーマーベースの時間符号化、畳み込み空間符号化、およびこれらの相補的特徴空間を融合するための相互注意機構を組み込んでいる。 さらに、モデルの堅牢性を高めるために、補助的なタスクを伴うマルチタスク学習を採用する。 NSL-KDDデータセットの実験結果から、TSANは最先端のモデルより優れ、精度、精度、リコール、F1スコアが向上し、リアルタイムデプロイメントの計算効率が向上することが示された。 提案アーキテクチャは、検出精度と計算オーバーヘッドの最適なバランスを提供し、現実世界のネットワークセキュリティアプリケーションに非常に適している。

関連論文リスト

• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• A Temporal Convolutional Network-based Approach for Network Intrusion Detection [0.0]
  本研究では,ネットワークトラフィックデータの依存関係をキャプチャするために,拡張畳み込みを伴う残差ブロックアーキテクチャを特徴とする時間畳み込みネットワーク(TCN)モデルを提案する。 提案したモデルは96.72%の精度と0.0688の損失を達成し、1D CNN、CNN-LSTM、CNN-GRU、CNN-BiLSTM、CNN-GRU-LSTMモデルを上回った。
  論文  参考訳（メタデータ） (2024-12-23T10:19:29Z)
• Simplicity over Complexity: An ARN-Based Intrusion Detection Method for Industrial Control Network [14.146159961276615]
  産業制御ネットワーク(ICN)は、リアルタイムの応答性と信頼性を特徴とする。 ICNは悪意のあるユーザー侵入やハッカー攻撃など、いくつかの問題に悩まされている。
  論文  参考訳（メタデータ） (2024-12-19T09:20:39Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks [19.697853431302768]
  ディジタルツイン(DT)は、リアルタイム監視、予測、意思決定能力の向上を具現化する。 本研究では,分散ネットワークDTシステムにおけるセキュリティ上の課題について検討し,その後のネットワークアプリケーションの信頼性を損なう可能性がある。
  論文  参考訳（メタデータ） (2024-07-02T03:32:09Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Revolutionizing Cyber Threat Detection with Large Language Models: A privacy-preserving BERT-based Lightweight Model for IoT/IIoT Devices [3.340416780217405]
  本稿では,インターネットネットワークにおけるサイバー脅威検出にBERT(Bidirectional Representations from Transformers)モデルを活用する,新たなアーキテクチャであるSecurityBERTを提案する。 我々の研究は、SecurityBERTがサイバー脅威検出において、畳み込みニューラルネットワーク(CNNIoT)やリカレントニューラルネットワーク(IoTRNN)など、従来の機械学習(ML)とディープラーニング(DL)の手法より優れていることを示した。 SecurityBERTは、14の異なる攻撃タイプを特定することで、98.2%の全体的な精度を達成し、ハイブリッドソリューションによって設定された過去の記録を上回った。
  論文  参考訳（メタデータ） (2023-06-25T15:04:21Z)
• STC-IDS: Spatial-Temporal Correlation Feature Analyzing based Intrusion Detection System for Intelligent Connected Vehicles [7.301018758489822]
  車両内通信トラフィック(STC-IDS)の時空間相関特性を用いた自動車侵入検出の新しいモデルを提案する。 具体的には、エンコーダ部では、空間的関係と時間的関係を同時に符号化する。 符号化された情報は検出器に渡され、強制的な空間的時間的注意特徴を生成し、異常分類を可能にする。
  論文  参考訳（メタデータ） (2022-04-23T04:22:58Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)

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。