論文の概要: Robust DDoS-Attack Classification with 3D CNNs Against Adversarial Methods

• arxiv url: http://arxiv.org/abs/2509.10543v1
• Date: Sun, 07 Sep 2025 00:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.651069
• Title: Robust DDoS-Attack Classification with 3D CNNs Against Adversarial Methods
• Title（参考訳）: 3次元CNNを用いたロバストDDoS-アタック分類
• Authors: Landon Bragg, Nathan Dorsey, Josh Prior, John Ajit, Ben Kim, Nate Willis, Pablo Rivas,
• Abstract要約: 本稿では,ハイブプロットネットワークデータと3次元畳み込みニューラルネットワーク(3D CNN)を用いて,DDoSトラフィックを高精度に分類する手法を提案する。 ベンチマークデータセットでは, クリーンサンプル性能を維持しながら, 対向精度を50～55%から93%以上に引き上げる。
• 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: Distributed Denial-of-Service (DDoS) attacks remain a serious threat to online infrastructure, often bypassing detection by altering traffic in subtle ways. We present a method using hive-plot sequences of network data and a 3D convolutional neural network (3D CNN) to classify DDoS traffic with high accuracy. Our system relies on three main ideas: (1) using spatio-temporal hive-plot encodings to set a pattern-recognition baseline, (2) applying adversarial training with FGSM and PGD alongside spatial noise and image shifts, and (3) analyzing frame-wise predictions to find early signals. On a benchmark dataset, our method lifts adversarial accuracy from 50-55% to over 93% while maintaining clean-sample performance. Frames 3-4 offer strong predictive signals, showing early-stage classification is possible.
• Abstract（参考訳）: 分散型サービス拒否(DDoS)攻撃は、オンラインインフラストラクチャにとって深刻な脅威であり、トラフィックを微妙に変更することで検出をバイパスすることが多い。 本稿では,ネットワークデータのハイブプロットシーケンスと3次元畳み込みニューラルネットワーク(3D CNN)を用いて,DDoSトラフィックを高精度に分類する手法を提案する。 本システムでは,(1)パターン認識ベースラインの設定に時空間ハイブプロット符号化を用い,(2)空間雑音や画像シフトとともにFGSMとPGDによる対角訓練を適用し,(3)フレームワイズ予測を解析して早期信号を求める。 ベンチマークデータセットでは, クリーンサンプル性能を維持しながら, 対向精度を50～55%から93%以上に引き上げる。 Frames 3-4は強力な予測信号を提供し、アーリーステージの分類が可能であることを示す。

関連論文リスト

• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
  ドメイン外データへの一般化の改善に注力する。 対象を逆向きに変形させるベクトルの集合を学習する。 本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
  論文  参考訳（メタデータ） (2023-08-29T17:58:55Z)
• 3D-IDS: Doubly Disentangled Dynamic Intrusion Detection [17.488666929017878]
  ネットワークベースの侵入検知システム(NIDS)は、悪意のある活動のためのネットワークトラフィックを監視する。 既存の手法は、様々な未知の攻撃を宣言したり、様々な既知の攻撃を検出する際に矛盾なく機能する。 本稿では,2段階の特徴分散と動的グラフ拡散方式により,上記の課題に対処する新しい手法である3D-IDSを提案する。
  論文  参考訳（メタデータ） (2023-07-02T00:26:26Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• 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)
• NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
  ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。 我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
  論文  参考訳（メタデータ） (2022-02-20T17:41:02Z)
• Keypoint Message Passing for Video-based Person Re-Identification [106.41022426556776]
  ビデオベースの人物再識別(re-ID)は、異なるカメラで捉えた人々のビデオスニペットをマッチングすることを目的とした、視覚監視システムにおいて重要な技術である。 既存の手法は主に畳み込みニューラルネットワーク(CNN)に基づいており、そのビルディングブロックは近隣のピクセルを一度に処理するか、あるいは3D畳み込みが時間情報のモデル化に使用される場合、人の動きによって生じるミスアライメントの問題に悩まされる。 本稿では,人間指向グラフ法を用いて,通常の畳み込みの限界を克服することを提案する。具体的には,人手指のキーポイントに位置する特徴を抽出し,時空間グラフとして接続する。
  論文  参考訳（メタデータ） (2021-11-16T08:01:16Z)
• Generating Band-Limited Adversarial Surfaces Using Neural Networks [0.9208007322096533]
  逆の例は、分類ニューラルネットワークの入力信号に追加されるノイズを生成する技術である。 この技術的レポートでは、攻撃を発生させるニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-11-14T19:16:05Z)
• Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models [5.067859671505088]
  最近の研究では、逆攻撃下でのグラフネットワーク(CN)の脆弱性を明らかにしている。 本稿では、GCNに基づくトラフィック予測モデルの堅牢性を調べるための新しいタスクである拡散攻撃を提案する。 提案アルゴリズムは,様々なシナリオにおける敵の攻撃タスクにおいて高い効率を示す。
  論文  参考訳（メタデータ） (2021-04-19T14:57:25Z)
• LG-GAN: Label Guided Adversarial Network for Flexible Targeted Attack of Point Cloud-based Deep Networks [123.5839352227726]
  本稿では,リアルタイムなフレキシブル・ターゲット・ポイント・クラウド・アタックのための新しいラベル誘導対向ネットワーク(LG-GAN)を提案する。 私たちの知る限りでは、これが第1世代ベースの3Dポイントクラウドアタック手法です。
  論文  参考訳（メタデータ） (2020-11-01T17:17:10Z)

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。