論文の概要: FetFIDS: A Feature Embedding Attention based Federated Network Intrusion Detection Algorithm

• arxiv url: http://arxiv.org/abs/2508.09056v1
• Date: Tue, 12 Aug 2025 16:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.500614
• Title: FetFIDS: A Feature Embedding Attention based Federated Network Intrusion Detection Algorithm
• Title（参考訳）: FetFIDS: 注意に基づくフェデレーションネットワーク侵入検出アルゴリズム
• Authors: Shreya Ghosh, Abu Shafin Mohammad Mahdee Jameel, Aly El Gamal,
• Abstract要約: 侵入検知システム(IDS)は、悪意あるアクターによるネットワーク脆弱性の悪用を防止する上で、ますます重要な役割を担っている。 近年の深層学習に基づく開発により,IDSシステムの性能が大幅に向上した。 本稿では,FetFIDSを提案する。このFetFIDSでは,位置埋め込みの代わりに特徴埋め込みを応用し,侵入検出性能を向上させる。
• 参考スコア（独自算出の注目度）: 10.662159185662796
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intrusion Detection Systems (IDS) have an increasingly important role in preventing exploitation of network vulnerabilities by malicious actors. Recent deep learning based developments have resulted in significant improvements in the performance of IDS systems. In this paper, we present FetFIDS, where we explore the employment of feature embedding instead of positional embedding to improve intrusion detection performance of a transformer based deep learning system. Our model is developed with the aim of deployments in edge learning scenarios, where federated learning over multiple communication rounds can ensure both privacy and localized performance improvements. FetFIDS outperforms multiple state-of-the-art intrusion detection systems in a federated environment and demonstrates a high degree of suitability to federated learning. The code for this work can be found at https://github.com/ghosh64/fetfids.
• Abstract（参考訳）: 侵入検知システム(IDS)は、悪意あるアクターによるネットワーク脆弱性の悪用を防止する上で、ますます重要な役割を担っている。 近年の深層学習に基づく開発により,IDSシステムの性能が大幅に向上した。 本稿では,FetFIDSを提案する。このFetFIDSは,トランスフォーマーを用いたディープラーニングシステムの侵入検出性能を向上させるため,位置埋め込みの代わりに特徴埋め込みを利用する。 このモデルでは,複数の通信ラウンド上でのフェデレーション学習によって,プライバシとローカライズされたパフォーマンス向上の両面が保証される。 FetFIDSは、フェデレーション環境で複数の最先端の侵入検知システムより優れ、フェデレーション学習に高い適合性を示す。 この作業のコードはhttps://github.com/ghosh64/fetfids.comで見ることができる。

関連論文リスト

• Federated Intrusion Detection System Based on Unsupervised Machine Learning [0.6990493129893112]
  侵入検知システム(IDS)の研究は、機械学習手法の採用に向けてますます進んでいる。 ほとんどのIDSシステムは、完全にラベル付けされたトレーニングセットを必要とする、教師付き学習アプローチに依存している。 本稿では,教師なし学習を利用したIDSアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-03-28T01:01:58Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Improving Transferability of Network Intrusion Detection in a Federated Learning Setup [11.98319841778396]
  ネットワーク侵入検知システム(IDS)は、インターネットに接続されたデバイスに到着するネットワークパケットを分析し、侵入者の存在を検出することを目的としている。 ディープラーニングシステムは、従来のIDSに比べて優れたパフォーマンスで人気があり、多様な侵入クラスのための高品質なトレーニングデータの可用性に依存している。 本稿では,フェデレートされた侵入検知システムの転送性を大幅に向上させる2つの手法を提案する。
  論文  参考訳（メタデータ） (2024-01-07T17:52:41Z)
• Decentralized Online Federated G-Network Learning for Lightweight Intrusion Detection [2.7225008315665424]
  本稿では,協調学習を用いたGネットワークモデルに基づく分散・オンラインフェデレート学習侵入検出アーキテクチャを提案する。 公的なKitsuneデータセットとBot-IoTデータセットを用いた性能評価の結果、DOF-IDは、すべての協調コンポーネントの侵入検出性能を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2023-06-22T16:46:00Z)
• Learned-Database Systems Security [46.898983878921484]
  機械学習(ML)による脆弱性を識別するフレームワークを開発する。 MLを用いることでデータベース内の過去のクエリが漏洩し、指数的なメモリ爆発を引き起こして数秒でクラッシュする中毒攻撃が可能になることを示す。 敵MLはデータベースシステムにおける学習コンポーネントに対する普遍的な脅威であることがわかった。
  論文  参考訳（メタデータ） (2022-12-20T15:09:30Z)
• HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection [0.0]
  セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。 MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。 その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
  論文  参考訳（メタデータ） (2022-04-08T19:06:16Z)
• Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions [0.20236506875465865]
  侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。 本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
  論文  参考訳（メタデータ） (2021-06-16T13:13:04Z)
• Automated Identification of Vulnerable Devices in Networks using Traffic Data and Deep Learning [30.536369182792516]
  脆弱性データベースのデータと組み合わせたデバイスタイプの識別は、ネットワーク内の脆弱なiotデバイスを特定できる。 信頼性の高いIoTデバイスタイプ識別のための2つの深層学習手法を提案し,評価する。
  論文  参考訳（メタデータ） (2021-02-16T14:49:34Z)
• Dos and Don'ts of Machine Learning in Computer Security [74.1816306998445]
  大きな可能性にもかかわらず、セキュリティにおける機械学習は、パフォーマンスを損なう微妙な落とし穴を引き起こす傾向がある。 我々は,学習ベースのセキュリティシステムの設計,実装,評価において共通の落とし穴を特定する。 我々は,落とし穴の回避や軽減を支援するために,研究者を支援するための実用的な勧告を提案する。
  論文  参考訳（メタデータ） (2020-10-19T13:09:31Z)
• Fingerprint Presentation Attack Detection: A Sensor and Material Agnostic Approach [44.46178415547532]
  クロスマテリアルとクロスセンサの一般化を改良した,堅牢なプレゼンテーションアタック検出(PAD)ソリューションを提案する。 具体的には,指紋スプーフ検出とクロスマテリアルスプーフ一般化を併用して,指紋スプーフ検出を訓練したCNNベースのアーキテクチャを構築した。 また,DNN(Deep Neural Network)にARL(Adversarial Expression Learning)を組み込んで,PADのセンサおよび材料不変表現を学習する。
  論文  参考訳（メタデータ） (2020-04-06T19:03:05Z)
• Security of Distributed Machine Learning: A Game-Theoretic Approach to Design Secure DSVM [31.480769801354413]
  この研究は、データ中毒やネットワーク攻撃から学習を保護するために、セキュアな分散アルゴリズムを開発することを目的としている。 我々は,分散サポートベクトルマシン(SVM)を使用する学習者と,トレーニングデータやラベルを変更することができる攻撃者の相反する目標を捉えるためのゲーム理論の枠組みを確立する。 数値的な結果から,分散SVMは異なるタイプの攻撃で失敗する傾向にあり,ネットワーク構造や攻撃能力に強い依存があることが分かる。
  論文  参考訳（メタデータ） (2020-03-08T18:54:17Z)

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。