Fugu-MT 論文翻訳(概要): Graph Attention Neural Network for Botnet Detection: Evaluating Autoencoder, VAE and PCA-Based Dimension Reduction

論文の概要: Graph Attention Neural Network for Botnet Detection: Evaluating Autoencoder, VAE and PCA-Based Dimension Reduction

arxiv url: http://arxiv.org/abs/2505.17357v1
Date: Fri, 23 May 2025 00:22:14 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-26 18:08:33.742889
Title: Graph Attention Neural Network for Botnet Detection: Evaluating Autoencoder, VAE and PCA-Based Dimension Reduction
Title（参考訳）: ボットネット検出のためのグラフ注意ニューラルネットワーク:オートエンコーダ,VAE,PCAに基づく次元削減の評価
Authors: Hassan Wasswa, Hussein Abbass, Timothy Lynar,
Abstract要約: グラフニューラルネットワーク(GNN)は、反復的なメッセージパッシングを通じて埋め込み空間を学習することで、この制限に対処する。本稿では,まずNetFlowベースのIoTアタックデータセットの次元性を低減し,グラフデータセットに変換するフレームワークを提案する。可変オートエンコーダ(VAEエンコーダ)、古典的オートエンコーダ(AEエンコーダ)、主成分分析(PCA)の3次元化技術を評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rise of IoT-based botnet attacks, researchers have explored various learning models for detection, including traditional machine learning, deep learning, and hybrid approaches. A key advancement involves deploying attention mechanisms to capture long-term dependencies among features, significantly improving detection accuracy. However, most models treat attack instances independently, overlooking inter-instance relationships. Graph Neural Networks (GNNs) address this limitation by learning an embedding space via iterative message passing where similar instances are placed closer based on node features and relationships, enhancing classification performance. To further improve detection, attention mechanisms have been embedded within GNNs, leveraging both long-range dependencies and inter-instance connections. However, transforming the high dimensional IoT attack datasets into a graph structured dataset poses challenges, such as large graph structures leading computational overhead. To mitigate this, this paper proposes a framework that first reduces dimensionality of the NetFlow-based IoT attack dataset before transforming it into a graph dataset. We evaluate three dimension reduction techniques--Variational Autoencoder (VAE-encoder), classical autoencoder (AE-encoder), and Principal Component Analysis (PCA)--and compare their effects on a Graph Attention neural network (GAT) model for botnet attack detection
Abstract（参考訳）: IoTベースのボットネット攻撃の増加に伴い、研究者は、従来の機械学習、ディープラーニング、ハイブリッドアプローチなど、検出のためのさまざまな学習モデルを模索してきた。重要な進歩として、機能間の長期的な依存関係をキャプチャするアテンションメカニズムのデプロイがあり、検出精度が大幅に向上する。しかし、ほとんどのモデルは攻撃インスタンスを独立して扱い、インスタンス間の関係を見渡す。グラフニューラルネットワーク(GNN)は、ノードの特徴や関連性に基づいて類似のインスタンスがより近い位置に置かれる反復メッセージパッシングを通じて埋め込み空間を学習し、分類性能を向上させることで、この制限に対処する。検出をさらに改善するため、GNN内にアテンション機構が組み込まれ、長距離依存関係とインスタンス間接続の両方を活用している。しかし、高次元IoT攻撃データセットをグラフ構造化データセットに変換することは、計算オーバーヘッドを導く大きなグラフ構造のような課題を引き起こす。そこで本研究では,NetFlowベースのIoTアタックデータセットの次元性をまず低減し,グラフデータセットに変換するフレームワークを提案する。可変オートエンコーダ(VAE-encoder)、古典的オートエンコーダ(AE-encoder)、主成分分析(PCA)の3次元削減技術を評価し、ボットネット攻撃検出のためのグラフ注意ニューラルネットワーク(GAT)モデルにおけるそれらの効果を比較する。

関連論文リスト

Graph Neural Networks Based Anomalous RSSI Detection [0.196629787330046]
本稿では,グラフニューラルネットワークを用いた無線リンクの異常検出手法を提案する。提案手法では,時系列データをグラフに変換して,新たなグラフニューラルネットワークアーキテクチャをトレーニングする。
論文参考訳（メタデータ） (2025-05-19T09:16:32Z)
Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems [1.1265248232450553]
本稿では,生パケット列上の一般化可能な侵入検出のための自己教師付きコントラスト学習手法を提案する。本フレームワークは,既存のNetFlow自己管理手法と比較して,優れた性能を示す。我々のモデルは,ラベル付き限られたデータを用いた教師付き侵入検知のための強力なベースラインを提供する。
論文参考訳（メタデータ） (2025-05-12T13:42:00Z)
EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。提案手法はいくつかの最先端手法より一貫して優れている。
論文参考訳（メタデータ） (2022-11-19T09:08:43Z)
Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文参考訳（メタデータ） (2022-09-20T14:41:37Z)
Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
論文参考訳（メタデータ） (2021-07-30T16:56:39Z)
NF-GNN: Network Flow Graph Neural Networks for Malware Detection and Classification [11.624780336645006]
悪意あるソフトウェア(マルウェア)は、通信システムのセキュリティに対する脅威を増大させる。監視および監視されていない設定でマルウェアの検出と分類をサポートする3つのベースモデルを紹介します。 4つの異なる予測タスクに関する実験は、一貫してこのアプローチの利点を実証し、グラフニューラルネットワークモデルが検出性能を大幅に向上させることができることを示した。
論文参考訳（メタデータ） (2021-03-05T20:54:38Z)
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)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)
Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文参考訳（メタデータ） (2020-03-13T15:34:33Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。