Fugu-MT 論文翻訳(概要): Adaptive Anomaly Detection in Evolving Network Environments

論文の概要: Adaptive Anomaly Detection in Evolving Network Environments

arxiv url: http://arxiv.org/abs/2508.15100v1
Date: Wed, 20 Aug 2025 22:31:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-22 16:26:46.112005
Title: Adaptive Anomaly Detection in Evolving Network Environments
Title（参考訳）: 進化するネットワーク環境における適応的異常検出
Authors: Ehssan Mousavipour, Andrey Dimanchev, Majid Ghaderi,
Abstract要約: 分布シフトは、ディープラーニングの異常検出システムにとって重要な課題である。既存の異常検出システムは、しばしばこれらのシフトに適応するのに苦労する。ネットワークデータにおける教師付き異常検出のためのフレームワークであるNetSightを導入し,分散シフトを継続的に検出し適応する。
参考スコア（独自算出の注目度）: 4.260312058817664
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Distribution shift, a change in the statistical properties of data over time, poses a critical challenge for deep learning anomaly detection systems. Existing anomaly detection systems often struggle to adapt to these shifts. Specifically, systems based on supervised learning require costly manual labeling, while those based on unsupervised learning rely on clean data, which is difficult to obtain, for shift adaptation. Both of these requirements are challenging to meet in practice. In this paper, we introduce NetSight, a framework for supervised anomaly detection in network data that continually detects and adapts to distribution shifts in an online manner. NetSight eliminates manual intervention through a novel pseudo-labeling technique and uses a knowledge distillation-based adaptation strategy to prevent catastrophic forgetting. Evaluated on three long-term network datasets, NetSight demonstrates superior adaptation performance compared to state-of-the-art methods that rely on manual labeling, achieving F1-score improvements of up to 11.72%. This proves its robustness and effectiveness in dynamic networks that experience distribution shifts over time.
Abstract（参考訳）: 時間とともにデータの統計的性質が変化する分散シフトは、ディープラーニングの異常検出システムにとって重要な課題である。既存の異常検出システムは、しばしばこれらのシフトに適応するのに苦労する。具体的には,教師なし学習に基づくシステムでは手作業によるラベリングが必要であり,教師なし学習に基づくシステムは手作業による適応が難しいクリーンなデータに頼っている。これらの要件はどちらも,現実的に満たすことが難しいものです。本稿では,ネットワークデータにおける教師付き異常検出のためのフレームワークであるNetSightについて紹介する。 NetSightは、新しい擬似ラベル技術による手作業による介入を排除し、破滅的な忘れを防止するために、知識蒸留に基づく適応戦略を使用する。 3つの長期ネットワークデータセットに基づいて評価されたNetSightは、手動ラベリングに依存する最先端の手法よりも優れた適応性能を示し、最大11.72%のF1スコア改善を実現している。これは、時間とともに分散シフトを経験する動的ネットワークにおいて、その堅牢性と有効性を証明している。

関連論文リスト

Anomaly detection in network flows using unsupervised online machine learning [0.19573380763700712]
本研究では、教師なし機械学習とオンライン学習機能を用いたネットワークフローの異常検出モデルを提案する。このモデルは、ワンクラスSVMでRiverライブラリを使用して実装され、NF-UNSW-NB15データセットで評価された。結果は、98%以上の精度、3.1%以下の偽陽性率、およびデータセットの最も高度なバージョンで100%のリコールを示す。
論文参考訳（メタデータ） (2025-09-01T11:21:06Z)
DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
論文参考訳（メタデータ） (2025-08-25T20:39:49Z)
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)
NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文参考訳（メタデータ） (2024-12-30T00:47:49Z)
Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
論文参考訳（メタデータ） (2024-07-12T15:48:40Z)
Channel-Selective Normalization for Label-Shift Robust Test-Time Adaptation [16.657929958093824]
テスト時間適応は、推論中にモデルを新しいデータ分布に調整するアプローチである。テスト時のバッチ正規化は、ドメインシフトベンチマークで魅力的なパフォーマンスを達成した、シンプルで一般的な方法である。本稿では、ディープネットワークにおけるチャネルのみを選択的に適応させ、ラベルシフトに敏感な劇的な適応を最小化することで、この問題に対処することを提案する。
論文参考訳（メタデータ） (2024-02-07T15:41:01Z)
Online Feature Updates Improve Online (Generalized) Label Shift Adaptation [51.328801874640675]
オンライン特徴更新を用いたオンラインラベルシフト適応法(OLS-OFU)は,自己教師付き学習を利用して特徴抽出プロセスを洗練する。アルゴリズムを慎重に設計することで、OLS-OFUは改善された特徴を考慮しつつ、文献の結果に類似したオンライン後悔の収束を維持している。
論文参考訳（メタデータ） (2024-02-05T22:03:25Z)
Adapting to Online Label Shift with Provable Guarantees [137.89382409682233]
オンラインラベルシフトの問題を定式化し,検討する。非定常性と監督の欠如は、この問題に取り組むことを困難にしている。我々のアルゴリズムは最適な動的後悔を享受しており、性能が透かしの性質と競合していることを示している。
論文参考訳（メタデータ） (2022-07-05T15:43:14Z)
Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文参考訳（メタデータ） (2022-06-23T14:16:30Z)
CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文参考訳（メタデータ） (2022-06-01T03:02:07Z)
Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。私たちのコードは公開されます。
論文参考訳（メタデータ） (2022-02-23T18:23:07Z)
DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
論文参考訳（メタデータ） (2020-10-04T13:28:28Z)

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。