論文の概要: A transformer-BiGRU-based framework with data augmentation and confident learning for network intrusion detection

• arxiv url: http://arxiv.org/abs/2509.04925v1
• Date: Fri, 05 Sep 2025 08:42:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 14:27:25.536449
• Title: A transformer-BiGRU-based framework with data augmentation and confident learning for network intrusion detection
• Title（参考訳）: ネットワーク侵入検出のためのデータ拡張と信頼度学習を備えたトランスフォーマーBiGRUベースのフレームワーク
• Authors: Jiale Zhang, Pengfei He, Fei Li, Kewei Li, Yan Wang, Lan Huang, Ruochi Zhang, Fengfeng Zhou,
• Abstract要約: この研究は、機械学習とディープラーニング技術を組み合わせた新しいフレームワーク、TraceGateを開発した。 このアルゴリズムによる融合は、一般的でよく理解された攻撃タイプの検出に優れ、出現する脅威を迅速に識別し、中立化するユニークな能力を有する。
• 参考スコア（独自算出の注目度）: 16.480258011281844
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In today's fast-paced digital communication, the surge in network traffic data and frequency demands robust and precise network intrusion solutions. Conventional machine learning methods struggle to grapple with complex patterns within the vast network intrusion datasets, which suffer from data scarcity and class imbalance. As a result, we have integrated machine learning and deep learning techniques within the network intrusion detection system to bridge this gap. This study has developed TrailGate, a novel framework that combines machine learning and deep learning techniques. By integrating Transformer and Bidirectional Gated Recurrent Unit (BiGRU) architectures with advanced feature selection strategies and supplemented by data augmentation techniques, TrailGate can identifies common attack types and excels at detecting and mitigating emerging threats. This algorithmic fusion excels at detecting common and well-understood attack types and has the unique ability to swiftly identify and neutralize emerging threats that stem from existing paradigms.
• Abstract（参考訳）: 今日の高速なデジタル通信では、ネットワークトラフィックデータと周波数の急増により、堅牢で正確なネットワーク侵入ソリューションが要求される。 従来の機械学習手法は、データ不足とクラス不均衡に苦しむ巨大なネットワーク侵入データセット内の複雑なパターンに対処するのに苦労する。 その結果,ネットワーク侵入検知システムに機械学習とディープラーニング技術を統合し,このギャップを埋めることができた。 この研究は、機械学習とディープラーニング技術を組み合わせた新しいフレームワーク、TraceGateを開発した。 TransformerとBidirectional Gated Recurrent Unit(BiGRU)アーキテクチャを高度な機能選択戦略に統合し、データ拡張テクニックで補完することにより、TraceGateは一般的な攻撃タイプを特定し、新興脅威の検出と緩和に優れる。 このアルゴリズムによる融合は、一般的でよく理解された攻撃タイプの検出に優れており、既存のパラダイムに由来する新興脅威を迅速に識別し、中立化するユニークな能力を持っている。

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)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Vision Transformer with Adversarial Indicator Token against Adversarial Attacks in Radio Signal Classifications [33.246218531386326]
  本稿では,新たな視覚変換器(ViT)アーキテクチャを提案する。 提案したAdvIトークンは,ViT内の重要な要素として機能し,注意重みに影響を及ぼし,不審または異常な可能性のある入力データ内の領域や特徴を強調する。
  論文  参考訳（メタデータ） (2025-06-13T15:21:54Z)
• AI/ML Based Detection and Categorization of Covert Communication in IPv6 Network [0.8130739369606821]
  IPv6拡張ヘッダーにより、攻撃者は秘密チャンネルやセキュリティメカニズムをバイパスでき、潜在的なデータ漏洩やシステムの侵入につながる。 包括的コミュニケーションの検出、インジェクションの進化、データの不足といった複雑さは、マシンラーニングモデルの構築を難しくする。 本研究では、包括的な機械学習技術を用いて、脅威を検出するために提案したモデルを訓練する。
  論文  参考訳（メタデータ） (2025-01-18T02:05:37Z)
• Preliminary study on artificial intelligence methods for cybersecurity threat detection in computer networks based on raw data packets [34.82692226532414]
  本稿では,ネットワークトラフィック内の生パケットデータから直接リアルタイムに攻撃を検知できるディープラーニング手法について検討する。 コンピュータビジョンモデルを用いた処理に適した2次元画像表現を用いて,パケットをウィンドウに積み重ねて別々に認識する手法を提案する。
  論文  参考訳（メタデータ） (2024-07-24T15:04:00Z)
• Few-shot Weakly-supervised Cybersecurity Anomaly Detection [1.179179628317559]
  本稿では,既存の弱教師付きディープラーニング異常検出フレームワークの強化を提案する。 このフレームワークには、データ拡張、表現学習、順序回帰が含まれている。 そして、3つのベンチマークデータセット上で実装したフレームワークの性能を評価した。
  論文  参考訳（メタデータ） (2023-04-15T04:37:54Z)
• GowFed -- A novel Federated Network Intrusion Detection System [0.15469452301122172]
  本研究は,Gower Dissimilarity行列とFederated Averagingを併用したネットワーク脅威検出システムであるGowFedを紹介する。 GowFedのアプローチは,(1)バニラバージョン,(2)アテンション機構を備えたバージョンなど,最先端の知識に基づいて開発されている。 全体として、GowFedは、産業レベルのネットワークにおけるネットワーク脅威を検出するためのフェデレートラーニングとガウワーの相違行列の併用に向けた最初の一歩となる。
  論文  参考訳（メタデータ） (2022-10-28T23:53:37Z)
• 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)
• 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)
• A Compressive Sensing Approach for Federated Learning over Massive MIMO Communication Systems [82.2513703281725]
  フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。 本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
  論文  参考訳（メタデータ） (2020-03-18T05:56:27Z)
• 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。