論文の概要: MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks

• arxiv url: http://arxiv.org/abs/2508.19273v1
• Date: Fri, 22 Aug 2025 20:13:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.334452
• Title: MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks
• Title（参考訳）: MixGAN: クラウド統合IoTネットワークにおけるDDoS検出のためのハイブリッド半監視およびジェネレーティブアプローチ
• Authors: Tongxi Wu, Chenwei Xu, Jin Yang,
• Abstract要約: MixGANは条件付き生成、半教師付き学習、頑健な特徴抽出を統合したハイブリッド検出手法である。 複雑な時間的トラフィックパターンを扱うために、残差接続を有する時間的畳み込み層からなる1次元ワイドレスネットバックボーンを設計する。 クラス不均衡とラベルの不足を軽減するために,事前訓練したCTGANを用いて,合成マイノリティクラス(DDoS攻撃)サンプルを生成する。 NSL-KDD、BoT-IoT、CIC2023の実験では、MixGANはTPRとTNRの両方で最大2.5%の精度と4%の改善を実現している。
• 参考スコア（独自算出の注目度）: 7.744496444309422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The proliferation of cloud-integrated IoT systems has intensified exposure to Distributed Denial of Service (DDoS) attacks due to the expanded attack surface, heterogeneous device behaviors, and limited edge protection. However, DDoS detection in this context remains challenging because of complex traffic dynamics, severe class imbalance, and scarce labeled data. While recent methods have explored solutions to address class imbalance, many still struggle to generalize under limited supervision and dynamic traffic conditions. To overcome these challenges, we propose MixGAN, a hybrid detection method that integrates conditional generation, semi-supervised learning, and robust feature extraction. Specifically, to handle complex temporal traffic patterns, we design a 1-D WideResNet backbone composed of temporal convolutional layers with residual connections, which effectively capture local burst patterns in traffic sequences. To alleviate class imbalance and label scarcity, we use a pretrained CTGAN to generate synthetic minority-class (DDoS attack) samples that complement unlabeled data. Furthermore, to mitigate the effect of noisy pseudo-labels, we introduce a MixUp-Average-Sharpen (MAS) strategy that constructs smoothed and sharpened targets by averaging predictions over augmented views and reweighting them towards high-confidence classes. Experiments on NSL-KDD, BoT-IoT, and CICIoT2023 demonstrate that MixGAN achieves up to 2.5% higher accuracy and 4% improvement in both TPR and TNR compared to state-of-the-art methods, confirming its robustness in large-scale IoT-cloud environments. The source code is publicly available at https://github.com/0xCavaliers/MixGAN.
• Abstract（参考訳）: クラウド統合IoTシステムの拡散は、攻撃面の拡大、異種デバイスの振る舞い、エッジ保護の制限により、Distributed Denial of Service(DDoS)攻撃へのエクスポージャーを強化している。 しかし、複雑なトラフィックダイナミクス、厳しいクラス不均衡、ラベル付きデータが少ないため、このコンテキストでのDDoS検出は依然として困難である。 最近の手法では、クラス不均衡に対処する方法が検討されているが、多くは限られた監督と動的な交通条件下での一般化に苦慮している。 これらの課題を克服するために,条件生成,半教師付き学習,頑健な特徴抽出を統合したハイブリッド検出手法であるMixGANを提案する。 具体的には、複雑な時間的トラフィックパターンを扱うために、トラフィックシーケンスの局所的なバーストパターンを効果的にキャプチャする残コネクションを持つ時間的畳み込み層からなる1次元WideResNetバックボーンを設計する。 分類の不均衡とラベルの不足を軽減するために,事前訓練したCTGANを用いて,ラベルなしデータを補完する合成マイノリティクラス(DDoS攻撃)サンプルを生成する。 さらに、ノイズの多い擬似ラベルの効果を軽減するために、拡張ビューに対する予測を平均化し、高信頼クラスに向けて重み付けすることで、滑らかでシャープなターゲットを構築するMixUp-Average-Sharpen(MAS)戦略を導入する。 NSL-KDD、BoT-IoT、CICIoT2023の実験では、MixGANは最先端のIoT-クラウド環境での堅牢性を確認しながら、TPRとTNRの両方で最大2.5%の精度と4%の改善を実現している。 ソースコードはhttps://github.com/0xCavaliers/MixGANで公開されている。

関連論文リスト

• BERTector: Intrusion Detection Based on Joint-Dataset Learning [7.393571667416083]
  侵入検知システム(IDS)は,ネットワークトラフィックの不均一性や攻撃パターンの多様性により,一般化と堅牢性の課題に直面している。 IDSのための新たな統合データセットトレーニングパラダイムを提案し,BERTに基づくスケーラブルなBERTectorフレームワークを提案する。 BERTectorは、トラフィック対応セマンティックトークン化のためのNAS-Tokenizer、ハイブリッドデータセットによる微調整の監督、効率的なトレーニングのためのローランク適応(LoRA)の3つの重要なコンポーネントを統合している。
  論文  参考訳（メタデータ） (2025-08-14T04:05:01Z)
• Hybrid LLM-Enhanced Intrusion Detection for Zero-Day Threats in IoT Networks [6.087274577167399]
  本稿では,GPT-2大言語モデル(LLM)の文脈理解機能と従来のシグネチャベース手法を統合した侵入検出手法を提案する。 本稿では,GPT-2による意味解析の適応性とシグネチャベースの手法の堅牢性を融合したハイブリッドIDSフレームワークを提案する。 代表的な侵入データセットを用いた実験により, 検出精度を6.3%向上し, 偽陽性率を9.0%低減し, ほぼリアルタイム応答性を維持した。
  論文  参考訳（メタデータ） (2025-07-10T04:10:03Z)
• Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset [0.0]
  これらの脅威を緩和するためには、侵入検知システム(IDS)が不可欠である。 機械学習(ML)の最近の進歩は、改善のための有望な道を提供する。 本研究は、いくつかのスタンドアロンMLモデルを組み合わせたハイブリッドアプローチを探求する。
  論文  参考訳（メタデータ） (2025-02-17T23:41:10Z)
• Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks [3.1309870454820277]
  本稿では,KAN(Kolmogorov-Arnold Networks)とXGBoostアルゴリズムを組み合わせたハイブリッド侵入検知システムを提案する。 提案したIDSは,学習可能なアクティベーション関数を用いてデータ内の複雑な関係をモデル化し,XGBoostの強力なアンサンブル学習手法と併用する。 実験により,我々のハイブリッドIDSは,良性行動と悪意行動の区別において,99%以上の精度で検出できることがわかった。
  論文  参考訳（メタデータ） (2024-08-28T15:58:49Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning [4.140068761522124]
  本稿では,E-GraphSAGEに基づくEG-ConMix方式を提案する。 EG-ConMixは、大規模グラフのトレーニング速度と精度において大きな利点がある。
  論文  参考訳（メタデータ） (2024-03-24T04:09:48Z)
• 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)
• Expeditious Saliency-guided Mix-up through Random Gradient Thresholding [89.59134648542042]
  混合学習アプローチはディープニューラルネットワークの一般化能力向上に有効であることが証明されている。 本稿では,両経路の分岐点に位置する新しい手法を提案する。 我々はR-Mixという手法を「Random Mix-up」という概念にちなむ。 より良い意思決定プロトコルが存在するかどうかという問題に対処するために、我々は、ミックスアップポリシーを決定する強化学習エージェントを訓練する。
  論文  参考訳（メタデータ） (2022-12-09T14:29:57Z)
• Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
  現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。 このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。 複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:39:43Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

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。