論文の概要: Hierarchical Local-Global Feature Learning for Few-shot Malicious Traffic Detection

• arxiv url: http://arxiv.org/abs/2504.03742v1
• Date: Tue, 01 Apr 2025 14:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:15:14.755091
• Title: Hierarchical Local-Global Feature Learning for Few-shot Malicious Traffic Detection
• Title（参考訳）: Few-shot Malicious Traffic Detectionのための階層的局所的特徴学習
• Authors: Songtao Peng, Lei Wang, Wu Shuai, Hao Song, Jiajun Zhou, Shanqing Yu, Qi Xuan,
• Abstract要約: 悪意あるネットワーク攻撃は、ますます頻繁で洗練されたものになりつつある。 ルールベースや機械学習ベースのアプローチを含む従来の検出方法は、出現する脅威を正確に識別するのに苦労する。 我々は,新しい階層的な数ショットの悪意のあるトラフィック検出フレームワークであるHLoGを提案する。
• 参考スコア（独自算出の注目度）: 6.118242543398087
• License:
• Abstract: With the rapid growth of internet traffic, malicious network attacks have become increasingly frequent and sophisticated, posing significant threats to global cybersecurity. Traditional detection methods, including rule-based and machine learning-based approaches, struggle to accurately identify emerging threats, particularly in scenarios with limited samples. While recent advances in few-shot learning have partially addressed the data scarcity issue, existing methods still exhibit high false positive rates and lack the capability to effectively capture crucial local traffic patterns. In this paper, we propose HLoG, a novel hierarchical few-shot malicious traffic detection framework that leverages both local and global features extracted from network sessions. HLoG employs a sliding-window approach to segment sessions into phases, capturing fine-grained local interaction patterns through hierarchical bidirectional GRU encoding, while simultaneously modeling global contextual dependencies. We further design a session similarity assessment module that integrates local similarity with global self-attention-enhanced representations, achieving accurate and robust few-shot traffic classification. Comprehensive experiments on three meticulously reconstructed datasets demonstrate that HLoG significantly outperforms existing state-of-the-art methods. Particularly, HLoG achieves superior recall rates while substantially reducing false positives, highlighting its effectiveness and practical value in real-world cybersecurity applications.
• Abstract（参考訳）: インターネットトラフィックの急激な増加に伴い、悪意のあるネットワーク攻撃はますます頻繁で洗練され、グローバルなサイバーセキュリティに重大な脅威をもたらしている。 ルールベースや機械学習ベースのアプローチを含む従来の検出方法は、特に限られたサンプルを持つシナリオにおいて、出現する脅威を正確に識別するのに苦労する。 最近の数ショット学習の進歩はデータ不足の問題に部分的に対処しているが、既存の手法は依然として高い偽陽性率を示しており、重要なローカルトラフィックパターンを効果的に捉える能力が欠如している。 本稿では,ネットワークセッションから抽出した局所的特徴とグローバル的特徴の両面を活用した,新しい階層的な数発の悪意のあるトラフィック検出フレームワークであるHLoGを提案する。 HLoGは、セッションをフェーズに分割するスライディングウィンドウアプローチを採用し、階層的な双方向GRUエンコーディングを通じてきめ細かい局所的なインタラクションパターンをキャプチャし、同時にグローバルなコンテキスト依存をモデル化する。 さらに,セッション類似度評価モジュールを設計し,局所類似度をグローバルな自己注意強調表現と統合し,高精度でロバストな数ショットのトラフィック分類を実現する。 3つの綿密に再構成されたデータセットに関する包括的な実験は、HLoGが既存の最先端の手法を大幅に上回っていることを示している。 特にHLoGは、偽陽性を大幅に減らし、現実のサイバーセキュリティアプリケーションの有効性と実用的価値を強調しながら、優れたリコール率を達成する。

関連論文リスト

• Generalizable Deepfake Detection via Effective Local-Global Feature Extraction [5.221473306027505]
  GANと拡散モデルにより、ますます現実的な偽画像が生成される。 ディープフェイク検出は、今日の世界で深刻な問題となっている。 本稿では,局所的特徴とグローバル的特徴を効果的に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） (2025-01-25T15:53:57Z)
• Genetic Algorithm-Based Dynamic Backdoor Attack on Federated Learning-Based Network Traffic Classification [1.1887808102491482]
  本稿では,GABAttackを提案する。GABAttackは,ネットワークトラフィック分類のためのフェデレーション学習に対する新しい遺伝的アルゴリズムに基づくバックドア攻撃である。 この研究は、ネットワークセキュリティの専門家や実践者がこのような攻撃に対して堅牢な防御策を開発するための警告となる。
  論文  参考訳（メタデータ） (2023-09-27T14:02:02Z)
• Safe Multi-agent Learning via Trapping Regions [89.24858306636816]
  我々は、動的システムの定性理論から知られているトラップ領域の概念を適用し、分散学習のための共同戦略空間に安全セットを作成する。 本稿では,既知の学習力学を持つシステムにおいて,候補がトラップ領域を形成することを検証するための二分分割アルゴリズムと,学習力学が未知のシナリオに対するサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-02-27T14:47:52Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network [39.65520262751766]
  我々は新しい交通予測フレームワーク-時空間グラフ拡散ネットワーク(ST-GDN)を開発した。 特にST-GDNは階層的に構造化されたグラフニューラルネットワークアーキテクチャであり、局所的な地域的な地理的依存関係だけでなく、グローバルな視点から空間的意味論も学習する。 複数の実生活トラフィックデータセットの実験では、ST-GDNは最先端のベースラインの異なるタイプよりも優れていることが示されている。
  論文  参考訳（メタデータ） (2021-10-08T11:19:06Z)
• Locality Matters: A Scalable Value Decomposition Approach for Cooperative Multi-Agent Reinforcement Learning [52.7873574425376]
  協調型マルチエージェント強化学習(MARL)は,エージェント数で指数関数的に大きい状態空間と動作空間により,スケーラビリティの問題に直面する。 本稿では,学習分散実行パラダイムに局所報酬を組み込んだ,新しい価値に基づくマルチエージェントアルゴリズム LOMAQ を提案する。
  論文  参考訳（メタデータ） (2021-09-22T10:08:15Z)
• Navigating the Kaleidoscope of COVID-19 Misinformation Using Deep Learning [0.76146285961466]
  対象ドメインの局所的コンテキストとグローバル的コンテキストの両方をキャプチャする効果的なモデルを提案する。 i) 深層トランスフォーマーをベースとした事前学習モデルでは, 混合ドメイン変換学習が有効であり, 局所的な文脈を捉えるのが得意であり, 一般化が不十分である。 浅いネットワークベースのドメイン固有モデルと畳み込みニューラルネットワークの組み合わせは、階層的な方法でターゲットデータから局所的およびグローバル的コンテキストを直接抽出し、より一般化可能なソリューションを提供する。
  論文  参考訳（メタデータ） (2021-09-19T15:49:25Z)
• Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
  セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。 私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-03T17:09:56Z)
• Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network [58.05473757538834]
  本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。 3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:47:24Z)
• Unsupervised Domain Adaptive 3D Detection with Multi-Level Consistency [90.71745178767203]
  ディープラーニングに基づく3Dオブジェクト検出は、大規模な自律走行データセットの出現によって、前例のない成功を収めた。 既存の3Dドメイン適応検出手法は、しばしばターゲットのドメインアノテーションへの事前アクセスを前提とします。 我々は、ソースドメインアノテーションのみを利用する、より現実的な、教師なしの3Dドメイン適応検出について研究する。
  論文  参考訳（メタデータ） (2021-07-23T17:19:23Z)
• Global Robustness Verification Networks [33.52550848953545]
  3つのコンポーネントからなるグローバルロバストネス検証フレームワークを開発した。 実現可能なルールベースのバックプロパゲーションを可能にする新しいネットワークアーキテクチャ Sliding Door Network (SDN) 合成データと実データの両方にアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T08:09:20Z)

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。

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。