論文の概要: Random Forest Stratified K-Fold Cross Validation on SYN DoS Attack SD-IoV

• arxiv url: http://arxiv.org/abs/2509.07016v1
• Date: Sun, 07 Sep 2025 00:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.02586
• Title: Random Forest Stratified K-Fold Cross Validation on SYN DoS Attack SD-IoV
• Title（参考訳）: Syn DoSアタックSD-IoV上のランダムフォレスト成層K-Foldクロスバリデーション
• Authors: Muhammad Arif Hakimi Zamrai, Kamaludin Mohd Yusof,
• Abstract要約: Software-Defined Internet of Vehicles (SD-IoV) の文脈でTCP シンクロ洪水攻撃が流行する 本研究は、最大精度と最小検出時間を達成するためにランダムフォレストモデルを最適化することに焦点を当てる。 ネットワーク効率と信頼性を維持しながら、TCP Synse flood攻撃に対して堅牢なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In response to the prevalent concern of TCP SYN flood attacks within the context of Software-Defined Internet of Vehicles (SD-IoV), this study addresses the significant challenge of network security in rapidly evolving vehicular communication systems. This research focuses on optimizing a Random Forest Classifier model to achieve maximum accuracy and minimal detection time, thereby enhancing vehicular network security. The methodology involves preprocessing a dataset containing SYN attack instances, employing feature scaling and label encoding techniques, and applying Stratified K-Fold cross-validation to target key metrics such as accuracy, precision, recall, and F1-score. This research achieved an average value of 0.999998 for all metrics with a SYN DoS attack detection time of 0.24 seconds. Results show that the fine-tuned Random Forest model, configured with 20 estimators and a depth of 10, effectively differentiates between normal and malicious traffic with high accuracy and minimal detection time, which is crucial for SD-IoV networks. This approach marks a significant advancement and introduces a state-of-the-art algorithm in detecting SYN flood attacks, combining high accuracy with minimal detection time. It contributes to vehicular network security by providing a robust solution against TCP SYN flood attacks while maintaining network efficiency and reliability.
• Abstract（参考訳）: 本研究は, 高速で進化する車両通信システムにおけるネットワークセキュリティの重大な課題に対処するため, SD-IoV (Software-Defined Internet of Vehicles) の文脈におけるTCPの急激な洪水攻撃に対する懸念に応えた。 本研究は,最大精度と最小検出時間を達成するためにランダムフォレスト分類器モデルを最適化することに焦点を当て,車載ネットワークのセキュリティを向上させる。 この手法では、Syn攻撃インスタンスを含むデータセットを前処理し、特徴スケーリングとラベルエンコーディング技術を採用し、精度、精度、リコール、F1スコアといった重要なメトリクスをターゲットとするStratified K-Foldクロスバリデーションを適用する。 この研究は、Syn DoS攻撃検出時間0.24秒で全ての測定値の平均0.999998を達成した。 その結果、20の推定器と10の深さで構成された微調整ランダムフォレストモデルでは、SD-IoVネットワークにとって重要な、高精度かつ最小限の検知時間で、正常なトラフィックと悪意のあるトラフィックを効果的に区別できることがわかった。 このアプローチは大きな進歩であり、シンフラッド攻撃の検出に最先端のアルゴリズムを導入し、高精度と最小検出時間を組み合わせた。 ネットワーク効率と信頼性を維持しつつ、TCP Synflow攻撃に対する堅牢なソリューションを提供することで、ネットワークセキュリティに寄与する。

関連論文リスト

• Temporal-Spatial Attention Network (TSAN) for DoS Attack Detection in Network Traffic [0.0]
  本稿では、ネットワークトラフィックにおけるDoS攻撃を検出するための、新しい時間空間注意ネットワーク(TSAN)アーキテクチャを提案する。 ネットワークトラフィックの時間的特徴と空間的特徴を両立させることで,従来の手法が見逃すような複雑なトラフィックパターンや異常を捉える。 NSL-KDDデータセットの実験結果は、TSANが最先端モデルより優れていることを示している。
  論文  参考訳（メタデータ） (2025-03-20T11:31:45Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Optimized detection of cyber-attacks on IoT networks via hybrid deep learning models [7.136205674624813]
  モノのインターネット(IoT)デバイスの急速な拡張は、サイバー攻撃のリスクを高めている。 本研究は,自己組織マップ(SOMs),ディープリーフネットワーク(DBNs),およびオートエンコーダを組み合わせた新たなアプローチを導入し,既知の,あるいはこれまで目に見えない攻撃パターンを検出する。
  論文  参考訳（メタデータ） (2025-02-17T06:01:06Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
  本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。 また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
  論文  参考訳（メタデータ） (2020-10-22T12:32:29Z)
• 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)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。