論文の概要: AI-Enhanced Intelligent NIDS Framework: Leveraging Metaheuristic Optimization for Robust Attack Detection and Prevention

• arxiv url: http://arxiv.org/abs/2509.00896v2
• Date: Tue, 09 Sep 2025 09:02:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 12:33:22.780104
• Title: AI-Enhanced Intelligent NIDS Framework: Leveraging Metaheuristic Optimization for Robust Attack Detection and Prevention
• Title（参考訳）: AI強化されたインテリジェントNIDSフレームワーク:ロバスト検出と防止のためのメタヒューリスティック最適化を活用する
• Authors: Maryam Mahdi Alhusseini, Mohammad Reza Feizi Derakhshi,
• Abstract要約: 本研究は,ネットワークセキュリティの向上を目的としたAI駆動リアルタイム侵入検出フレームワークを提案する。 提案されたシステムは、決定木で98.95パーセント、K-Nearest Neighborsで98.47パーセント、ロジスティック回帰で88.84パーセントの精度を達成した。
• 参考スコア（独自算出の注目度）: 1.4968127458030251
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In todays rapidly evolving digital landscape, safeguarding network infrastructures against cyberattacks has become a critical priority. This research presents an innovative AI-driven real-time intrusion detection framework designed to enhance network security, particularly in Wireless Sensor Networks (WSNs), Cloud Computing (CC), and Internet of Things (IoT) environments. The system employs classical machine learning models, Logistic Regression, decision trees, and K-Nearest Neighbors, optimized through the novel Energy Valley Optimization (EVO) method using the NSL-KDD dataset. Feature selection significantly reduced the number of input features from 42 to 18, while maintaining strong detection capabilities. The proposed system achieved 98.95 percent. accuracy with Decision Tree, 98.47 percent with K-Nearest Neighbors, and 88.84 percent with Logistic Regression. Moreover, high precision, recall, and F1-scores were attained across all classifiers while substantially reducing training and testing times, making the framework highly suitable for real-time applications. To ensure fair detection across diverse attack types, dataset balancing via Downsampling was applied to address class imbalance challenges. This investigation focuses on the significance of advancing IDSs. in cloud computing and WSNs. Overall, this work advances secure communications by delivering a scalable, low-latency, and high-accuracy intrusion detection solution aligned with the latest trends in artificial intelligence, cybersecurity, and real-time digital networks.
• Abstract（参考訳）: 今日、急速に進化するデジタルランドスケープでは、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が重要になっている。 本研究では、特に無線センサネットワーク(WSN)、クラウドコンピューティング(CC)、IoT(Internet of Things)環境において、ネットワークセキュリティを強化するために設計された、革新的なAI駆動リアルタイム侵入検出フレームワークを提案する。 このシステムは古典的な機械学習モデル、ロジスティック回帰、決定木、K-Nearest Neighborsを採用し、NSL-KDDデータセットを使用した新しいエナジーバレー最適化(EVO)手法によって最適化されている。 特徴の選択は、強い検出能力を維持しながら、入力機能の数を42から18に大幅に削減した。 提案されたシステムは98.95%を達成した。 決定木は98.7%、K-Nearest Neighborsは98.7%、ロジスティック回帰は88.84パーセントである。 さらに、高精度、リコール、F1スコアがすべての分類器で達成され、トレーニングとテスト時間が大幅に短縮され、リアルタイムアプリケーションに非常に適したフレームワークとなった。 さまざまな攻撃タイプに対する公正な検出を保証するため、クラス不均衡の問題に対処するために、ダウンサンプリングによるデータセットのバランシングが適用された。 本研究は,IDSの進展に焦点をあてる。 クラウドコンピューティングとWSNです。 全体として、この研究は、人工知能、サイバーセキュリティ、リアルタイムデジタルネットワークの最新のトレンドに合わせて、スケーラブルで低レイテンシで高精度な侵入検出ソリューションを提供することによって、セキュアなコミュニケーションを推進している。

関連論文リスト

• One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
  機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。 本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。 本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
  論文  参考訳（メタデータ） (2025-08-18T12:36:55Z)
• A Hybrid Intrusion Detection System with a New Approach to Protect the Cybersecurity of Cloud Computing [0.0]
  本研究の目的は、初期脅威を特定し緩和するハイブリッド侵入検知システム(HyIDS)を提案することである。 提案されたアプローチは、CIC_DDoS 2019、CSE_CIC_DDoS 2018、NSL-KDDデータセットを使用して評価される。 提案手法の結果はGrey Wolf(GWO)データセットと比較される。
  論文  参考訳（メタデータ） (2025-06-24T18:19:02Z)
• Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection [38.083049237330826]
  本研究では,CWE(Common Weaknessions)を用いたPythonコードの識別をシミュレーションすることにより,ソフトウェア脆弱性評価におけるLLM(Large Language Models)の利用について検討する。 その結果,ゼロショットプロンプトは性能が低いが,少数ショットプロンプトは分類性能を著しく向上させることがわかった。 モデル信頼性、解釈可能性、敵の堅牢性といった課題は、将来の研究にとって重要な領域のままである。
  論文  参考訳（メタデータ） (2025-06-11T18:43:51Z)
• Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
  ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。 我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。 その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
  論文  参考訳（メタデータ） (2024-09-27T11:20:20Z)
• A Novel Self-Attention-Enabled Weighted Ensemble-Based Convolutional Neural Network Framework for Distributed Denial of Service Attack Classification [0.0]
  本研究は、DDoS攻撃検出のための新しいアプローチを提案する。 提案手法は精度98.71%、F1スコア98.66%、リコール98.63%、精度98.69%を達成する。
  論文  参考訳（メタデータ） (2024-09-01T18:58:33Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• A Dependable Hybrid Machine Learning Model for Network Intrusion Detection [1.222622290392729]
  本稿では,機械学習とディープラーニングを組み合わせたハイブリッドモデルを提案する。 提案手法は,KDDCUP'99とCIC-MalMem-2022の2つのデータセットでテストした場合,優れた結果が得られる。
  論文  参考訳（メタデータ） (2022-12-08T20:19:27Z)
• On the Robustness and Anomaly Detection of Sparse Neural Networks [28.832060124537843]
  スパシティーによってネットワークがより堅牢になり、異常検知がより良くなることを示す。 また, 構造的疎水性は, 高価なロバスト性および検出方法の複雑さを低減するのに大いに有効であることを示す。 本稿では,適切な刈り取り法から得られた重みの感度を利用して異常サンプルを検出する新しい手法であるSensNormを紹介する。
  論文  参考訳（メタデータ） (2022-07-09T09:03:52Z)
• An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks [0.0]
  我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。 本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。 提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
  論文  参考訳（メタデータ） (2022-04-28T23:10:47Z)
• CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point Clouds [51.47100091540298]
  本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。 CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
  論文  参考訳（メタデータ） (2021-08-31T23:27:33Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。