論文の概要: SAGE: Sample-Aware Guarding Engine for Robust Intrusion Detection Against Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2509.08091v1
• Date: Tue, 09 Sep 2025 18:57:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.231566
• Title: SAGE: Sample-Aware Guarding Engine for Robust Intrusion Detection Against Adversarial Attacks
• Title（参考訳）: SAGE: 対向攻撃に対するロバスト侵入検知のためのサンプル認識ガードエンジン
• Authors: Jing Chen, Onat Gungor, Zhengli Shang, Tajana Rosing,
• Abstract要約: 機械学習ベースの侵入検知システム(ML-IDS)は、敵攻撃の影響を受けやすい。 SAGE(Sample-Aware Guarding Engine)は、アクティブラーニングとターゲットデータ削減を統合した、大幅に改良された防衛アルゴリズムである。 SAGEは、複数の侵入検出データセット間で強力な予測性能を示し、最先端の防御よりも平均201%のF1スコアの改善を実現している。
• 参考スコア（独自算出の注目度）: 12.537292017431641
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of the Internet of Things (IoT) continues to expose critical security vulnerabilities, necessitating the development of efficient and robust intrusion detection systems (IDS). Machine learning-based intrusion detection systems (ML-IDS) have significantly improved threat detection capabilities; however, they remain highly susceptible to adversarial attacks. While numerous defense mechanisms have been proposed to enhance ML-IDS resilience, a systematic approach for selecting the most effective defense against a specific adversarial attack remains absent. To address this challenge, we previously proposed DYNAMITE, a dynamic defense selection approach that identifies the most suitable defense against adversarial attacks through an ML-driven selection mechanism. Building on this foundation, we propose SAGE (Sample-Aware Guarding Engine), a substantially improved defense algorithm that integrates active learning with targeted data reduction. It employs an active learning mechanism to selectively identify the most informative input samples and their corresponding optimal defense labels, which are then used to train a second-level learner responsible for selecting the most effective defense. This targeted sampling improves computational efficiency, exposes the model to diverse adversarial strategies during training, and enhances robustness, stability, and generalizability. As a result, SAGE demonstrates strong predictive performance across multiple intrusion detection datasets, achieving an average F1-score improvement of 201% over the state-of-the-art defenses. Notably, SAGE narrows the performance gap to the Oracle to just 3.8%, while reducing computational overhead by up to 29x.
• Abstract（参考訳）: IoT(Internet of Things)の急速な普及は、セキュリティ上の重大な脆弱性を露呈し続けており、効率的で堅牢な侵入検知システム(IDS)の開発を必要としている。 機械学習ベースの侵入検知システム(ML-IDS)は脅威検出機能を大幅に改善したが、敵攻撃の影響を受けやすいままである。 ML-IDSレジリエンスを高めるために多くの防御機構が提案されているが、特定の敵攻撃に対する最も効果的な防御を選択するための体系的なアプローチはいまだに存在しない。 この課題に対処するため、我々はML駆動の選択機構を通じて敵攻撃に対する最も適切な防御を識別する動的防御選択手法であるDYNAMITEを提案した。 この基盤の上に構築されたSAGE(Sample-Aware Guarding Engine)は,アクティブラーニングとターゲットデータ削減を統合した,大幅に改良された防衛アルゴリズムである。 アクティブな学習メカニズムを使用して、最も情報性の高い入力サンプルとその対応する最適な防衛ラベルを選択的に識別し、次に最も効果的な防御を選択するための第2レベルの学習者を訓練する。 このターゲットサンプリングは、計算効率を向上し、トレーニング中の様々な敵戦略にモデルを公開し、堅牢性、安定性、一般化性を高める。 その結果、SAGEは複数の侵入検知データセットに対して強い予測性能を示し、最先端の防御よりも平均201%のF1スコア改善を実現した。 特に、SAGEはOracleのパフォーマンスギャップをわずか3.8%に制限し、計算オーバーヘッドを最大29倍に削減している。

関連論文リスト

• DYNAMITE: Dynamic Defense Selection for Enhancing Machine Learning-based Intrusion Detection Against Adversarial Attacks [8.329676508547509]
  Internet of Things(IoT)は重大なセキュリティ脆弱性を導入し、堅牢な侵入検知システム(IDS)の必要性を強調した。 機械学習による選択機構を用いて、最も適切な防御をインテリジェントに識別し、デプロイすることにより、ML-IDSを強化する動的防御選択フレームワークであるDynamiteを提案する。 その結果,DynamiteはOracleと比較して96.2%の計算時間を短縮し,高い予測性能を維持しながら計算オーバーヘッドを大幅に削減した。
  論文  参考訳（メタデータ） (2025-04-17T19:22:14Z)
• Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models [62.12822290276912]
  Auto-RTは、複雑な攻撃戦略を探索し最適化する強化学習フレームワークである。 探索効率を大幅に改善し、攻撃戦略を自動的に最適化することにより、Auto-RTはボーダの脆弱性範囲を検出し、検出速度が速く、既存の方法と比較して16.63%高い成功率を達成する。
  論文  参考訳（メタデータ） (2025-01-03T14:30:14Z)
• Slot: Provenance-Driven APT Detection through Graph Reinforcement Learning [24.84110719035862]
  先進的永続脅威(Advanced Persistent Threats、APT)は、長期にわたって検出されていない能力によって特徴づけられる高度なサイバー攻撃である。 本稿では,前駆グラフとグラフ強化学習に基づく高度なAPT検出手法であるSlotを提案する。 Slotの卓越した精度、効率、適応性、そしてAPT検出の堅牢性を示し、ほとんどのメトリクスは最先端の手法を超越している。
  論文  参考訳（メタデータ） (2024-10-23T14:28:32Z)
• 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)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)
• Adversarial defense for automatic speaker verification by cascaded self-supervised learning models [101.42920161993455]
  ますます悪意のある攻撃者は、自動話者検証(ASV)システムで敵攻撃を仕掛けようとする。 本稿では,逐次的自己教師付き学習モデルに基づく標準的かつ攻撃非依存な手法を提案する。 実験により, 本手法は効果的な防御性能を実現し, 敵攻撃に対抗できることを示した。
  論文  参考訳（メタデータ） (2021-02-14T01:56:43Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。