論文の概要: Detecting Zero-Day Web Attacks with an Ensemble of LSTM, GRU, and Stacked Autoencoders

• arxiv url: http://arxiv.org/abs/2504.14122v1
• Date: Sat, 19 Apr 2025 00:48:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 04:57:44.386273
• Title: Detecting Zero-Day Web Attacks with an Ensemble of LSTM, GRU, and Stacked Autoencoders
• Title（参考訳）: LSTM, GRU, スタックドオートエンコーダのアンサンブルによるゼロデイWebアタックの検出
• Authors: Vahid Babaey, Hamid Reza Faragardi,
• Abstract要約: 従来のセキュリティメソッドは、これまで知られていなかった(ゼロデイ)Web攻撃を検出するのに苦労している。 Webセキュリティタスクへの人間の介入を減らすことは、エラーを最小限にし、信頼性を高めることができる。 本稿では,新しいワンクラスアンサンブル方式を用いて,ゼロデイWeb攻撃を検出するインテリジェントシステムを提案する。
• 参考スコア（独自算出の注目度）: 0.40515232217224745
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The rapid growth in web-based services has significantly increased security risks related to user information, as web-based attacks become increasingly sophisticated and prevalent. Traditional security methods frequently struggle to detect previously unknown (zero-day) web attacks, putting sensitive user data at significant risk. Additionally, reducing human intervention in web security tasks can minimize errors and enhance reliability. This paper introduces an intelligent system designed to detect zero-day web attacks using a novel one-class ensemble method consisting of three distinct autoencoder architectures: LSTM autoencoder, GRU autoencoder, and stacked autoencoder. Our approach employs a novel tokenization strategy to convert normal web requests into structured numeric sequences, enabling the ensemble model to effectively identify anomalous activities by uniquely concatenating and compressing the latent representations from each autoencoder. The proposed method efficiently detects unknown web attacks while effectively addressing common limitations of previous methods, such as high memory consumption and excessive false positive rates. Extensive experimental evaluations demonstrate the superiority of our proposed ensemble, achieving remarkable detection metrics: 97.58% accuracy, 97.52% recall, 99.76% specificity, and 99.99% precision, with an exceptionally low false positive rate of 0.2%. These results underscore our method's significant potential in enhancing real-world web security through accurate and reliable detection of web-based attacks.
• Abstract（参考訳）: Webベースのサービスの急速な成長は、Webベースの攻撃がますます洗練され、普及するにつれて、ユーザ情報に関連するセキュリティリスクを著しく高めている。 従来のセキュリティメソッドは、これまで知られていなかった(ゼロデイ)Web攻撃を検出し、機密性の高いユーザーデータを重大なリスクに晒すことにしばしば苦労する。 さらに、Webセキュリティタスクへの人間の介入を減らすことで、エラーを最小限に抑え、信頼性を高めることができる。 本稿では、LSTMオートエンコーダ、GRUオートエンコーダ、スタックドオートエンコーダの3つの異なるオートエンコーダアーキテクチャからなる新しい1クラスアンサンブル方式を用いて、ゼロデイウェブアタックを検出するように設計されたインテリジェントシステムを提案する。 提案手法では,通常のWeb要求を構造化された数値列に変換する新しいトークン化手法を用いて,各オートエンコーダから遅延表現を一意に結合・圧縮することにより,アンサンブルモデルにより異常な動作を効果的に識別することができる。 提案手法は,高速メモリ消費や過剰な偽陽性率といった従来手法の共通した制約に対処しつつ,未知のWeb攻撃を効果的に検出する。 97.58%の精度、97.52%のリコール、99.76%の特異性、99.99%の精度、例外的に低い偽陽性率である。 これらの結果は,Web ベース攻撃の正確かつ確実な検出を通じて,実世界の Web セキュリティを向上する上で,我々の方法が持つ重要な可能性を浮き彫りにしている。

関連論文リスト

• Phishing URL Detection using Bi-LSTM [0.0]
  本稿では,URLを4つのカテゴリに分類する深層学習に基づくアプローチを提案する。 650,000以上のURLからなるデータセットの実験結果は、モデルの有効性を示し、97%の精度と従来の技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2025-04-29T00:55:01Z)
• EXPLICATE: Enhancing Phishing Detection through Explainable AI and LLM-Powered Interpretability [44.2907457629342]
  EXPLICATEは、三成分アーキテクチャによるフィッシング検出を強化するフレームワークである。 既存のディープラーニング技術と同等ですが、説明性が向上しています。 自動AIとフィッシング検出システムにおけるユーザ信頼の重大な隔たりに対処する。
  論文  参考訳（メタデータ） (2025-03-22T23:37:35Z)
• CRUPL: A Semi-Supervised Cyber Attack Detection with Consistency Regularization and Uncertainty-aware Pseudo-Labeling in Smart Grid [0.5499796332553707]
  スマートグリッドに対するサイバー攻撃は、データの整合性を妥協し、電源の信頼性を損なう可能性がある。 従来の侵入検知システムは、しばしば、新しく洗練された攻撃を効果的に検出する助けを必要とする。 本研究では,ラベル付きおよびラベルなし計測データを活用することにより,スマートグリッドにおけるサイバー攻撃検出の半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2025-03-01T05:49:23Z)
• Efficient Phishing URL Detection Using Graph-based Machine Learning and Loopy Belief Propagation [12.89058029173131]
  フィッシングURL検出のためのグラフベース機械学習モデルを提案する。 我々は、IPアドレスや権威名サーバのようなURL構造とネットワークレベルの機能を統合する。 実世界のデータセットの実験は、F1スコアを98.77%まで達成することで、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2025-01-12T19:49:00Z)
• SecCodePLT: A Unified Platform for Evaluating the Security of Code GenAI [47.11178028457252]
  我々はGenAIのリスクをコードする統合的かつ包括的な評価プラットフォームSecCodePLTを開発した。 安全でないコードには、専門家と自動生成を組み合わせたデータ生成のための新しい方法論を導入する。 サイバー攻撃支援のために、我々はモデルに実際の攻撃を引き起こすよう促すサンプルと、我々の環境における動的な指標を構築した。
  論文  参考訳（メタデータ） (2024-10-14T21:17:22Z)
• A Robust Multi-Stage Intrusion Detection System for In-Vehicle Network Security using Hierarchical Federated Learning [0.0]
  車両内侵入検知システム(IDS)は、目に見える攻撃を検出し、新しい目に見えない攻撃に対する堅牢な防御を提供する必要がある。 これまでの作業は、CAN ID機能のみに依存していたり、手動で機能抽出する従来の機械学習(ML)アプローチを使用していました。 本稿では,これらの制約に対処するために,最先端,斬新,軽量,車内,IDS平均化,深層学習(DL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-08-15T21:51:56Z)
• Hybrid Machine Learning Approach For Real-Time Malicious Url Detection Using Som-Rmo And Rbfn With Tabu Search Optimization [0.0]
  悪意のあるURLの拡散は、インターネットのセキュリティにとって重大な脅威となっている。 従来の検出方法は、これらの脅威の進化する性質とペースを維持するのに苦労する。 本稿では,効率的な特徴抽出と正確な分類を組み合わせたハイブリッド機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-07-05T07:24:49Z)
• Camouflage is all you need: Evaluating and Enhancing Language Model Robustness Against Camouflage Adversarial Attacks [53.87300498478744]
  自然言語処理(NLP)における敵攻撃の意義 本研究は、脆弱性評価とレジリエンス向上という2つの異なる段階において、この課題を体系的に探求する。 結果として、パフォーマンスとロバスト性の間のトレードオフが示唆され、いくつかのモデルは、ロバスト性を確保しながら、同様のパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2024-02-15T10:58:22Z)
• FLTracer: Accurate Poisoning Attack Provenance in Federated Learning [38.47921452675418]
  Federated Learning(FL)は、複数のクライアントが共同で共有グローバルモデルをトレーニングできる、有望な分散学習アプローチである。 近年の研究では、FLは様々な毒殺攻撃に弱いことが示されており、グローバルモデルの性能を低下させるか、バックドアを導入することができる。 FLTracerは、様々な攻撃を正確に検出し、攻撃時間、目的、タイプ、および更新の有毒な位置を追跡できる最初のFL攻撃フレームワークである。
  論文  参考訳（メタデータ） (2023-10-20T11:24:38Z)
• An Adversarial Attack Analysis on Malicious Advertisement URL Detection Framework [22.259444589459513]
  悪意のある広告URLは、サイバー攻撃の源泉であるため、セキュリティ上のリスクをもたらす。 既存の悪意のあるURL検出技術は制限されており、見えない機能やテストデータの一般化を扱うことができる。 本研究では,新しい語彙・ウェブスクラップ機能群を抽出し,機械学習技術を用いて不正広告URL検出システムを構築する。
  論文  参考訳（メタデータ） (2022-04-27T20:06:22Z)
• VELVET: a noVel Ensemble Learning approach to automatically locate VulnErable sTatements [62.93814803258067]
  本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。 我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。 VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
  論文  参考訳（メタデータ） (2021-12-20T22:45:27Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。