論文の概要: CSAGC-IDS: A Dual-Module Deep Learning Network Intrusion Detection Model for Complex and Imbalanced Data

• arxiv url: http://arxiv.org/abs/2505.14027v1
• Date: Tue, 20 May 2025 07:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.857471
• Title: CSAGC-IDS: A Dual-Module Deep Learning Network Intrusion Detection Model for Complex and Imbalanced Data
• Title（参考訳）: CSAGC-IDS:複雑・不均衡データに対するデュアルモジュール深層学習ネットワーク侵入検出モデル
• Authors: Yifan Zeng,
• Abstract要約: 本稿では,深層学習に基づくネットワーク侵入検出モデルであるCSAGC-IDSを提案する。 CSAGC-IDSは、クラス不均衡のために高品質なデータを生成する自己注意型畳み込み条件生成対向ネットワークであるSC-CGANを統合している。 CSAGC-IDSの精度は84.55%、F1スコアは84.52%である。
• 参考スコア（独自算出の注目度）: 0.43512163406552007
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As computer networks proliferate, the gravity of network intrusions has escalated, emphasizing the criticality of network intrusion detection systems for safeguarding security. While deep learning models have exhibited promising results in intrusion detection, they face challenges in managing high-dimensional, complex traffic patterns and imbalanced data categories. This paper presents CSAGC-IDS, a network intrusion detection model based on deep learning techniques. CSAGC-IDS integrates SC-CGAN, a self-attention-enhanced convolutional conditional generative adversarial network that generates high-quality data to mitigate class imbalance. Furthermore, CSAGC-IDS integrates CSCA-CNN, a convolutional neural network enhanced through cost sensitive learning and channel attention mechanism, to extract features from complex traffic data for precise detection. Experiments conducted on the NSL-KDD dataset. CSAGC-IDS achieves an accuracy of 84.55% and an F1-score of 84.52% in five-class classification task, and an accuracy of 91.09% and an F1 score of 92.04% in binary classification task.Furthermore, this paper provides an interpretability analysis of the proposed model, using SHAP and LIME to explain the decision-making mechanisms of the model.
• Abstract（参考訳）: コンピュータネットワークの普及に伴い、ネットワーク侵入の重力は増大し、セキュリティを保護するためのネットワーク侵入検知システムの重要性を強調している。 ディープラーニングモデルは侵入検知において有望な結果を示したが、高次元の複雑なトラフィックパターンと不均衡なデータカテゴリを管理する上で、課題に直面している。 本稿では,深層学習に基づくネットワーク侵入検出モデルであるCSAGC-IDSを提案する。 CSAGC-IDSは、クラス不均衡を軽減するために高品質なデータを生成する自己注意型畳み込み条件生成対向ネットワークであるSC-CGANを統合している。 さらに、CSAGC-IDSは、コストセンシティブな学習とチャネルアテンション機構によって強化された畳み込みニューラルネットワークであるCSCA-CNNを統合し、複雑なトラフィックデータから特徴を抽出して正確な検出を行う。 NSL-KDDデータセットを用いた実験 CSAGC-IDSは,5クラス分類タスクにおいて84.55%,F1スコアが84.52%,91.09%,F1スコアが92.04%の精度を実現している。

関連論文リスト

• WeiDetect: Weibull Distribution-Based Defense against Poisoning Attacks in Federated Learning for Network Intrusion Detection Systems [23.03944479383518]
  WeiDetectは、悪意のある参加者を検知するFLベースのNIDSのための2段階のサーバーサイド防御機構である。 多様な攻撃環境におけるアプローチの有効性を評価する実験を行った。 WeDetectは最先端の防衛アプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-04-06T05:31:24Z)
• Enhancing Internet of Things Security throughSelf-Supervised Graph Neural Networks [1.0678175996321808]
  新しいタイプの攻撃は、通常攻撃よりもはるかに少ないサンプルを持ち、不均衡なデータセットにつながることが多い。 マルコフグラフ畳み込みネットワーク(MarkovGCN)を用いた自己教師付き学習(SSL)によるIoT侵入検出の新しいアプローチを提案する。 当社のアプローチでは,IoTネットワーク固有の構造を活用してGCNを事前トレーニングし,侵入検出タスクを微調整する。
  論文  参考訳（メタデータ） (2024-12-17T17:40:14Z)
• FedMSE: Semi-supervised federated learning approach for IoT network intrusion detection [0.0]
  IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。 Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。 このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-18T02:23:57Z)
• Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
  侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。 軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-04T20:36:21Z)
• Strengthening Network Intrusion Detection in IoT Environments with Self-Supervised Learning and Few Shot Learning [1.0678175996321808]
  IoT(Internet of Things)は、インテリジェンスを日常のオブジェクトに統合するブレークスルー技術として紹介されている。 IoTネットワークが拡大し、拡大するにつれ、サイバーセキュリティ攻撃の影響を受けやすくなっている。 本稿では,これらの課題に対処する新しい侵入検知手法を提案する。
  論文  参考訳（メタデータ） (2024-06-04T06:30:22Z)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• 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)
• Robust Self-Ensembling Network for Hyperspectral Image Classification [38.84831094095329]
  この問題に対処するために,ロバストな自己認識ネットワーク(RSEN)を提案する。 rsenはベースネットワークとアンサンブルネットワークを含む2つのワークから成り立っている。 提案アルゴリズムは, 最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2021-04-08T13:33:14Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Deep Fusion Clustering Network [38.540761683389135]
  深層クラスタリングのための深層フュージョンクラスタリングネットワーク(DFCN)を提案する。 本ネットワークでは,オートエンコーダとグラフオートエンコーダが学習した表現を明示的にマージするために,相互依存学習に基づく構造化と属性情報融合(SAIF)モジュールを提案する。 6つのベンチマークデータセットの実験により、提案されたDFCNは最先端のディープクラスタリング手法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-12-15T09:37:59Z)
• Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection [33.46816493359834]
  シンボル検出に対する貯水池計算(RC)に基づくアプローチに基づいて、対称かつ分解された二項決定ニューラルネットワークを導入する。 導入した対称ニューラルネットワークは、元の$M$-ary検出問題を一連のバイナリ分類タスクに分解できることを示す。 数値評価により,導入したハイブリッドRCバイナリ決定フレームワークは,最大値モデルに基づくシンボル検出を行うことができる。
  論文  参考訳（メタデータ） (2020-12-01T18:16:19Z)

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。