論文の概要: Intrusion Detection in Heterogeneous Networks with Domain-Adaptive Multi-Modal Learning

• arxiv url: http://arxiv.org/abs/2508.03517v1
• Date: Tue, 05 Aug 2025 14:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:56.021483
• Title: Intrusion Detection in Heterogeneous Networks with Domain-Adaptive Multi-Modal Learning
• Title（参考訳）: ドメイン適応型マルチモーダル学習による異種ネットワークの侵入検出
• Authors: Mabin Umman Varghese, Zahra Taghiyarrenani,
• Abstract要約: 我々は,マルチモーダル学習とドメイン適応手法を統合したディープニューラルネットワークを開発した。 我々のモデルは、様々なソースから連続的にデータを処理し、複数のデータセットから学習し、様々な特徴空間に適応できるようにします。 実験により,提案モデルがネットワーク侵入の分類において,ベースラインニューラルモデルよりも有意に優れていることが示された。
• 参考スコア（独自算出の注目度）: 1.03590082373586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network Intrusion Detection Systems (NIDS) play a crucial role in safeguarding network infrastructure against cyberattacks. As the prevalence and sophistication of these attacks increase, machine learning and deep neural network approaches have emerged as effective tools for enhancing NIDS capabilities in detecting malicious activities. However, the effectiveness of traditional deep neural models is often limited by the need for extensive labelled datasets and the challenges posed by data and feature heterogeneity across different network domains. To address these limitations, we developed a deep neural model that integrates multi-modal learning with domain adaptation techniques for classification. Our model processes data from diverse sources in a sequential cyclic manner, allowing it to learn from multiple datasets and adapt to varying feature spaces. Experimental results demonstrate that our proposed model significantly outperforms baseline neural models in classifying network intrusions, particularly under conditions of varying sample availability and probability distributions. The model's performance highlights its ability to generalize across heterogeneous datasets, making it an efficient solution for real-world network intrusion detection.
• Abstract（参考訳）: ネットワーク侵入検知システム(NIDS)は、サイバー攻撃に対するネットワークインフラストラクチャの保護において重要な役割を果たす。 これらの攻撃の頻度と洗練が高まるにつれて、悪意のある活動を検出するためのNIDS機能を強化する効果的なツールとして、機械学習とディープニューラルネットワークアプローチが登場している。 しかしながら、従来のディープニューラルネットワークの有効性は、広範囲のラベル付きデータセットの必要性と、データによって引き起こされる課題と、異なるネットワークドメインにまたがる不均一性によって制限されることが多い。 これらの制約に対処するため,マルチモーダル学習とドメイン適応手法を統合したディープニューラルネットワークを開発した。 我々のモデルは、様々なソースから連続的にデータを処理し、複数のデータセットから学習し、様々な特徴空間に適応できるようにします。 実験結果から,提案モデルがネットワーク侵入の分類において,特にサンプルの可利用性や確率分布の異なる条件下で,ベースラインニューラルモデルよりも有意に優れていたことが示唆された。 このモデルの性能は、異種データセットをまたいで一般化する能力を強調しており、現実世界のネットワーク侵入検知の効率的なソリューションとなっている。

関連論文リスト

• Intrusion Detection System Using Deep Learning for Network Security [0.6554326244334868]
  本稿では,深層学習技術に基づくIDSモデルの実験的評価を提案する。 ネットワークトラフィックを悪意のあるカテゴリと良心的なカテゴリに分類することに注力する。 テストされたモデルのうち、最高は96%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-09T06:04:58Z)
• Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks [0.25163931116642785]
  GAN(Generative Adversarial Networks)の統合によるNIDSの性能向上のための新しいアプローチを提案する。 GANは、現実世界のネットワークの振る舞いを忠実に模倣する合成ネットワークトラフィックデータを生成する。 NIDSへのGANの統合は,訓練データに制限のある攻撃に対する侵入検知性能の向上につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-11T04:01:15Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Learning to Detect: A Data-driven Approach for Network Intrusion Detection [17.288512506016612]
  ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。 侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。 バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
  論文  参考訳（メタデータ） (2021-08-18T21:19:26Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• 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)
• Quasi-Global Momentum: Accelerating Decentralized Deep Learning on Heterogeneous Data [77.88594632644347]
  ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。 現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。 本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-02-09T11:27:14Z)
• Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
  本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。 私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。 我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
  論文  参考訳（メタデータ） (2020-09-18T18:32:24Z)
• Evaluation of Adversarial Training on Different Types of Neural Networks in Deep Learning-based IDSs [3.8073142980733]
  我々は、異なる回避攻撃の有効性と、レジリエンス深層学習に基づくIDSの訓練方法に焦点をあてる。 我々は min-max アプローチを用いて、敵の例に対して頑健なIDSを訓練する問題を定式化する。 異なるディープラーニングアルゴリズムと異なるベンチマークデータセットに関する実験により、敵の訓練に基づくmin-maxアプローチによる防御が、よく知られた5つの敵の攻撃方法に対する堅牢性を向上することを示した。
  論文  参考訳（メタデータ） (2020-07-08T23:33:30Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。