論文の概要: IoT Malware Network Traffic Detection using Deep Learning and GraphSAGE Models

• arxiv url: http://arxiv.org/abs/2507.10758v1
• Date: Mon, 14 Jul 2025 19:36:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.862664
• Title: IoT Malware Network Traffic Detection using Deep Learning and GraphSAGE Models
• Title（参考訳）: ディープラーニングとグラフサージモデルを用いたIoTマルウェアネットワークトラフィック検出
• Authors: Nikesh Prajapati, Bimal Karki, Saroj Gopali, Akbar Siami Namin,
• Abstract要約: 本稿では,ディープラーニングモデルを用いてIoTの悪意のある攻撃を検出することを目的とする。 モデルはGraphSAGE、変換器(BERT)からの双方向エンコーダ表現、時間畳み込みネットワーク(TCN)、およびマルチヘッドアテンションに基づいている。
• 参考スコア（独自算出の注目度）: 0.3749861135832072
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper intends to detect IoT malicious attacks through deep learning models and demonstrates a comprehensive evaluation of the deep learning and graph-based models regarding malicious network traffic detection. The models particularly are based on GraphSAGE, Bidirectional encoder representations from transformers (BERT), Temporal Convolutional Network (TCN) as well as Multi-Head Attention, together with Bidirectional Long Short-Term Memory (BI-LSTM) Multi-Head Attention and BI-LSTM and LSTM models. The chosen models demonstrated great performance to model temporal patterns and detect feature significance. The observed performance are mainly due to the fact that IoT system traffic patterns are both sequential and diverse, leaving a rich set of temporal patterns for the models to learn. Experimental results showed that BERT maintained the best performance. It achieved 99.94% accuracy rate alongside high precision and recall, F1-score and AUC-ROC score of 99.99% which demonstrates its capabilities through temporal dependency capture. The Multi-Head Attention offered promising results by providing good detection capabilities with interpretable results. On the other side, the Multi-Head Attention model required significant processing time like BI-LSTM variants. The GraphSAGE model achieved good accuracy while requiring the shortest training time but yielded the lowest accuracy, precision, and F1 score compared to the other models
• Abstract（参考訳）: 本稿では、ディープラーニングモデルによるIoT悪意のある攻撃を検知し、悪意のあるネットワークトラフィック検出に関するディープラーニングモデルとグラフベースモデルの包括的な評価を示す。 特に、GraphSAGE、変換器(BERT)、時間畳み込みネットワーク(TCN)からの双方向エンコーダ表現、および双方向長短期記憶(BI-LSTM)、BI-LSTMおよびLSTMモデルに基づく。 選択されたモデルは、時間的パターンをモデル化し、特徴的重要性を検出するのに優れた性能を示した。 観察されたパフォーマンスは、主にIoTシステムのトラフィックパターンがシーケンシャルかつ多様であるため、モデルが学ぶべき時間パターンの豊富なセットを残しているためである。 実験の結果、BERTは最高の性能を維持していた。 99.94%の精度を達成し、高い精度とリコール、F1スコアとAUC-ROCスコアの99.99%を達成した。 マルチヘッド注意(Multi-Head Attention)は、優れた検出機能と解釈可能な結果を提供することによって、有望な結果を提供する。 一方、マルチヘッドアテンションモデルはBI-LSTMの変種のような大幅な処理時間を必要とした。 GraphSAGEモデルは、最短トレーニング時間を必要とするが、他のモデルに比べて低い精度、精度、F1スコアを得た。

関連論文リスト

• TSPulse: Dual Space Tiny Pre-Trained Models for Rapid Time-Series Analysis [12.034816114258803]
  TSPulseは、1Mパラメータしか持たない超コンパクトな時系列事前訓練モデルである。 分類、異常検出、インプット、検索タスクで強く機能する。 結果は100Mパラメータ(既存のSOTAモデルより10-100倍小さい)で達成される。
  論文  参考訳（メタデータ） (2025-05-19T12:18:53Z)
• MSTIM: A MindSpore-Based Model for Traffic Flow Prediction [2.4604039212534508]
  本稿では,Mindspore フレームワークに基づくマルチスケール時系列情報モデリングモデル MSTIM を提案する。 長期記憶ネットワーク(LSTM)、畳み込みニューラルネットワーク(CNN)、アテンションメカニズムを統合して、モデリング精度と安定性を向上させる。 MSTIMモデルは平均絶対誤差(MAE)、平均正方誤差(MSE)、ルート平均正方誤差(RMSE)の計測値においてより良い結果が得られることを示す。
  論文  参考訳（メタデータ） (2025-04-18T09:19:51Z)
• IncepFormerNet: A multi-scale multi-head attention network for SSVEP classification [12.935583315234553]
  本研究では,Inception と Transformer アーキテクチャのハイブリッドモデルである IncepFormerNet を提案する。 IncepFormerNetは、異なる大きさの並列畳み込みカーネルを用いて、時系列データから、マルチスケールの時間情報を積極的に抽出する。 SSVEPデータのスペクトル特性に基づいて特徴を抽出するために,フィルタバンク手法を利用する。
  論文  参考訳（メタデータ） (2025-02-04T13:04:03Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Modeling IoT Traffic Patterns: Insights from a Statistical Analysis of an MTC Dataset [1.2289361708127877]
  IoT(Internet-of-Things)は急速に拡大し、多くのデバイスを接続し、私たちの日常生活に不可欠なものになっています。 効果的なIoTトラフィック管理には、マシン型通信(MTC)のモデリングと予測が必要である。 我々は、Kolmogorov-Smirnov、Anderson-Darling、chi-squared、ルート平均二乗誤差などの確立されたテストを含む、適合性テストを用いたMCCトラフィックの包括的統計分析を行う。
  論文  参考訳（メタデータ） (2024-09-03T14:24:18Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• Tiny Time Mixers (TTMs): Fast Pre-trained Models for Enhanced Zero/Few-Shot Forecasting of Multivariate Time Series [11.635608108358575]
  本稿では,効率的な転送学習機能を備えたコンパクトモデルであるTiny Time Mixers (TTM)について紹介する。 TTMには、適応パッチ、多様な解像度サンプリング、およびさまざまなデータセット解像度の事前トレーニングを処理するための解像度プレフィックスチューニングなどのイノベーションが含まれている。 既存のベンチマークでは0/few-shot予測(4-40%)を上回り、計算要求を大幅に削減した。
  論文  参考訳（メタデータ） (2024-01-08T15:21:21Z)
• Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
  本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。 本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2023-05-01T00:58:48Z)
• Edge-Varying Fourier Graph Networks for Multivariate Time Series Forecasting [46.76885997673142]
  我々は時系列変数のための効率的なグラフ畳み込みネットワークを構築した。 MTS分析と予測のために,高効率スケールフリーパラメータ学習手法を導出する。 実験により、EV-FGNは7つの実世界のMTSデータセットで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-06T17:50:07Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Deep Generative model with Hierarchical Latent Factors for Time Series Anomaly Detection [40.21502451136054]
  本研究は、時系列異常検出のための新しい生成モデルであるDGHLを提示する。 トップダウンの畳み込みネットワークは、新しい階層的な潜在空間を時系列ウィンドウにマッピングし、時間ダイナミクスを利用して情報を効率的にエンコードする。 提案手法は,4つのベンチマーク・データセットにおいて,現在の最先端モデルよりも優れていた。
  論文  参考訳（メタデータ） (2022-02-15T17:19:44Z)
• Adaptive Memory Networks with Self-supervised Learning for Unsupervised Anomaly Detection [54.76993389109327]
  教師なし異常検出は、通常のデータのみをトレーニングすることで、目に見えない異常を検出するモデルを構築することを目的としている。 本稿では,これらの課題に対処するために,自己教師付き学習(AMSL)を用いた適応記憶ネットワーク(Adaptive Memory Network)を提案する。 AMSLには、一般的な正規パターンを学ぶための自己教師付き学習モジュールと、リッチな特徴表現を学ぶための適応型メモリ融合モジュールが組み込まれている。
  論文  参考訳（メタデータ） (2022-01-03T03:40:21Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。