論文の概要: Research on CNN-BiLSTM Network Traffic Anomaly Detection Model Based on MindSpore

• arxiv url: http://arxiv.org/abs/2504.21008v1
• Date: Mon, 14 Apr 2025 15:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-11 23:23:02.124962
• Title: Research on CNN-BiLSTM Network Traffic Anomaly Detection Model Based on MindSpore
• Title（参考訳）: MindSporeに基づくCNN-BiLSTMネットワークトラフィック異常検出モデルに関する研究
• Authors: Qiuyan Xiang, Shuang Wu, Dongze Wu, Yuxin Liu, Zhenkai Qin,
• Abstract要約: 本研究では,CNN(Convolutional Neural Network)とBidirectional Long Short-Term Memory(BiLSTM)ネットワークを統合した新しいネットワークトラフィック異常検出モデルを提案する。 提案モデルでは精度,精度,リコール,F1スコアの99%を達成し,ネットワーク侵入検出タスクの性能と堅牢性を示す。
• 参考スコア（独自算出の注目度）: 7.564738687560689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the widespread adoption of the Internet of Things (IoT) and Industrial IoT (IIoT) technologies, network architectures have become increasingly complex, and the volume of traffic has grown substantially. This evolution poses significant challenges to traditional security mechanisms, particularly in detecting high-frequency, diverse, and highly covert network attacks. To address these challenges, this study proposes a novel network traffic anomaly detection model that integrates a Convolutional Neural Network (CNN) with a Bidirectional Long Short-Term Memory (BiLSTM) network, implemented on the MindSpore framework. Comprehensive experiments were conducted using the NF-BoT-IoT dataset. The results demonstrate that the proposed model achieves 99% across accuracy, precision, recall, and F1-score, indicating its strong performance and robustness in network intrusion detection tasks.
• Abstract（参考訳）: IoT(Internet of Things)とIoT(Industrial IoT)テクノロジの普及により、ネットワークアーキテクチャはますます複雑になり、トラフィックの量は大幅に増加しています。 この進化は、特に高周波で多様なネットワーク攻撃の検出において、従来のセキュリティメカニズムに重大な課題をもたらす。 これらの課題に対処するため、MindSporeフレームワーク上に実装された双方向長短期記憶(BiLSTM)ネットワークと畳み込みニューラルネットワーク(CNN)を統合した新しいネットワークトラフィック異常検出モデルを提案する。 NF-BoT-IoTデータセットを用いて総合実験を行った。 その結果,提案手法は精度,精度,リコール,F1スコアに対して99%の精度を実現し,ネットワーク侵入検出タスクの性能と堅牢性を示した。

関連論文リスト

• MindFlow: A Network Traffic Anomaly Detection Model Based on MindSpore [7.564738687560689]
  本研究では,多次元動的トラフィック予測と異常検出システムであるMindFlowを提案する。 提案モデルでは,精度,精度,リコール,F1スコアなどの重要な指標の99%を達成している。
  論文  参考訳（メタデータ） (2025-04-24T15:48:02Z)
• 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)
• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)

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。