論文の概要: GNN-enhanced Traffic Anomaly Detection for Next-Generation SDN-Enabled Consumer Electronics

• arxiv url: http://arxiv.org/abs/2510.07109v1
• Date: Wed, 08 Oct 2025 15:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.580493
• Title: GNN-enhanced Traffic Anomaly Detection for Next-Generation SDN-Enabled Consumer Electronics
• Title（参考訳）: 次世代SDN対応家電のGNNによる交通異常検出
• Authors: Guan-Yan Yang, Farn Wang, Kuo-Hui Yeh,
• Abstract要約: 本稿では,次世代CEネットワーク向けに,SDN(Software-Defined Networking)とCFN(Compute First Networking)を統合したスケーラブルネットワークモデルを提案する。 このネットワークモデルでは、SDNベースのCEネットワークを統合し、CFNアーキテクチャを実現するグラフニューラルネットワークベースのネットワーク異常検出フレームワーク(GNN-NAD)を提案する。 GNN-NADは、小さなサンプルサイズであっても、精度、リコール、精度、F1スコアにおいて優れた測定値を達成する。
• 参考スコア（独自算出の注目度）: 1.8734449181723825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consumer electronics (CE) connected to the Internet of Things are susceptible to various attacks, including DDoS and web-based threats, which can compromise their functionality and facilitate remote hijacking. These vulnerabilities allow attackers to exploit CE for broader system attacks while enabling the propagation of malicious code across the CE network, resulting in device failures. Existing deep learning-based traffic anomaly detection systems exhibit high accuracy in traditional network environments but are often overly complex and reliant on static infrastructure, necessitating manual configuration and management. To address these limitations, we propose a scalable network model that integrates Software-defined Networking (SDN) and Compute First Networking (CFN) for next-generation CE networks. In this network model, we propose a Graph Neural Networks-based Network Anomaly Detection framework (GNN-NAD) that integrates SDN-based CE networks and enables the CFN architecture. GNN-NAD uniquely fuses a static, vulnerability-aware attack graph with dynamic traffic features, providing a holistic view of network security. The core of the framework is a GNN model (GSAGE) for graph representation learning, followed by a Random Forest (RF) classifier. This design (GSAGE+RF) demonstrates superior performance compared to existing feature selection methods. Experimental evaluations on CE environment reveal that GNN-NAD achieves superior metrics in accuracy, recall, precision, and F1 score, even with small sample sizes, exceeding the performance of current network anomaly detection methods. This work advances the security and efficiency of next-generation intelligent CE networks.
• Abstract（参考訳）: モノのインターネットに接続された消費者電子(CE)は、DDoSやWebベースの脅威など、さまざまな攻撃を受けやすい。 これらの脆弱性により、攻撃者はCEネットワークをまたいで悪意のあるコードの伝播を可能にしながら、より広範なシステムアタックのためにCEを活用できる。 既存のディープラーニングベースのトラフィック異常検出システムは、従来のネットワーク環境では高い精度を示すが、多くの場合、過度に複雑で静的なインフラに依存し、手動の構成と管理を必要とする。 これらの制約に対処するため,次世代CEネットワークに対して,SDN(Software-Defined Networking)とCFN(Compute First Networking)を統合したスケーラブルネットワークモデルを提案する。 このネットワークモデルでは、SDNベースのCEネットワークを統合し、CFNアーキテクチャを実現するグラフニューラルネットワークベースのネットワーク異常検出フレームワーク(GNN-NAD)を提案する。 GNN-NADは、静的で脆弱性を認識したアタックグラフを動的トラフィック機能で一意に融合し、ネットワークセキュリティの全体像を提供する。 フレームワークの中核はグラフ表現学習のためのGNNモデル(GSAGE)であり、次にランダムフォレスト(RF)分類器が続く。 この設計(GSAGE+RF)は、既存の特徴選択法よりも優れた性能を示す。 CE環境における実験により, GNN-NADは, 精度, リコール, 精度, F1スコアにおいて, サンプルサイズが小さい場合でも, 現行のネットワーク異常検出法よりも優れた測定値が得られることがわかった。 この研究により、次世代のインテリジェントCEネットワークのセキュリティと効率が向上する。

関連論文リスト

• Over-the-Air Edge Inference via End-to-End Metasurfaces-Integrated Artificial Neural Networks [29.28415364984592]
  エッジ推論(EI)のための準曲面統合ニューラルネットワーク(MINN)の枠組みを提案する。 MINNは、EI要求を大幅に単純化し、トレーニングに比べて50ドル以下で、ほぼ最適性能を達成できる。
  論文  参考訳（メタデータ） (2025-03-31T21:14:09Z)
• Sdn Intrusion Detection Using Machine Learning Method [0.0]
  SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。 本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
  論文  参考訳（メタデータ） (2024-11-08T12:19:50Z)
• 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)
• FERN: Leveraging Graph Attention Networks for Failure Evaluation and Robust Network Design [46.302926845889694]
  我々は、スケーラブルな故障評価とロバストネットワーク設計のための学習ベースのフレームワークFERNを開発した。 FERNは、リッチな問題入力をグラフとして表現し、グラフから特徴抽出を注意深く実行することによって、ローカルとグローバルの両方のビューをキャプチャする。 複数のロバストなネットワーク設計問題を,それぞれ80倍,200倍,10倍以上スピードアップすることができる。
  論文  参考訳（メタデータ） (2023-05-30T15:56:25Z)
• CLSA: Contrastive Learning-based Survival Analysis for Popularity Prediction in MEC Networks [36.01752474571776]
  ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。 MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。 有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
  論文  参考訳（メタデータ） (2023-03-21T15:57:46Z)
• Interference Cancellation GAN Framework for Dynamic Channels [74.22393885274728]
  チャネルのあらゆる変更に適応できるオンライントレーニングフレームワークを導入します。 我々のフレームワークは、非常にダイナミックなチャネル上での最近のニューラルネットワークモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-08-17T02:01:18Z)
• Anomal-E: A Self-Supervised Network Intrusion Detection System based on Graph Neural Networks [0.0]
  本稿では,自己教師型ネットワーク侵入と異常検出のためのグラフニューラルネットワーク(GNN)の応用について検討する。 GNNは、グラフ構造を学習に組み込んだグラフベースのデータのためのディープラーニングアプローチである。 本稿では, エッジ特徴とグラフトポロジ構造を利用したGNNによる侵入・異常検出手法であるAnomal-Eを提案する。
  論文  参考訳（メタデータ） (2022-07-14T10:59:39Z)
• Decentralized Inference with Graph Neural Networks in Wireless Communication Systems [37.95584442614985]
  グラフニューラルネットワーク(GNN)は、グラフデータのための効率的なニューラルネットワークモデルであり、無線通信を含むさまざまな分野で広く利用されている。 本稿では,異なる無線通信システムにおける分散GNNのロバスト性を解析し,強化する。
  論文  参考訳（メタデータ） (2021-04-19T03:12:24Z)
• Generating Probabilistic Safety Guarantees for Neural Network Controllers [30.34898838361206]
  ダイナミクスモデルを使用して、ニューラルネットワークコントローラが安全に動作するために保持する必要がある出力プロパティを決定します。 ニューラルネットワークポリシの近似を効率的に生成するための適応的検証手法を開発した。 本手法は,航空機衝突回避ニューラルネットワークの確率的安全性を保証することができることを示す。
  論文  参考訳（メタデータ） (2021-03-01T18:48:21Z)
• Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
  我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。 このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
  論文  参考訳（メタデータ） (2020-09-25T17:48:43Z)
• Machine Learning based Anomaly Detection for 5G Networks [0.0]
  本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。 SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
  論文  参考訳（メタデータ） (2020-03-07T00:17:08Z)

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。