論文の概要: Temporal Analysis Framework for Intrusion Detection Systems: A Novel Taxonomy for Time-Aware Cybersecurity
- arxiv url: http://arxiv.org/abs/2511.03799v1
- Date: Wed, 05 Nov 2025 19:03:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.189335
- Title: Temporal Analysis Framework for Intrusion Detection Systems: A Novel Taxonomy for Time-Aware Cybersecurity
- Title（参考訳）: 侵入検知システムのための時間的分析フレームワーク:時間を考慮したサイバーセキュリティのための新しい分類法
- Authors: Tatiana S. Parlanti, Carlos A. Catania,
- Abstract要約: 本稿では,時間的ネットワーク侵入検知のための時間的分析フレームワークと分類法を提案する。
我々は,静的フロー解析からマルチウィンドウシーケンシャルモデリングまで,NIDS手法を時間的処理に応じて分類する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Most intrusion detection systems still identify attacks only after significant damage has occurred, detecting late-stage tactics rather than early indicators of compromise. This paper introduces a temporal analysis framework and taxonomy for time-aware network intrusion detection. Through a systematic review of over 40 studies published between 2020 and 2025, we classify NIDS methods according to their treatment of time, from static per-flow analysis to multi-window sequential modeling. The proposed taxonomy reveals that inter-flow sequential and temporal window-based methods provide the broadest temporal coverage across MITRE ATT&CK tactics, enabling detection from Reconnaissance through Impact stages. Our analysis further exposes systematic bias in widely used datasets, which emphasize late-stage attacks and thus limit progress toward early detection. This framework provides essential groundwork for developing IDS capable of anticipating rather than merely reacting to cyber threats, advancing the field toward truly proactive defense mechanisms.
- Abstract（参考訳）: ほとんどの侵入検知システムは、重大な損傷が発生した後も攻撃を識別し、早期の妥協の指標ではなく、後期の戦術を検出する。
本稿では,時間的ネットワーク侵入検知のための時間的分析フレームワークと分類法を提案する。
2020年から2025年にかけて発行された40以上の研究の体系的なレビューを通じて、静的なフローごとの解析からマルチウィンドウシーケンシャルモデリングまで、NIDSの手法を時間的処理に応じて分類する。
提案した分類法では, 流れの逐次的および時間的ウィンドウベースの手法が, MITRE ATT&CK 戦術全体において最も広範に時間的カバレッジを提供し, インパクトステージによる偵察からの検出を可能にすることを明らかにした。
我々の分析は、広く使われているデータセットの体系的バイアスをさらに明らかにし、後期攻撃を強調し、早期発見の進行を制限する。
この枠組みは、サイバー脅威に単に反応するのではなく、予測可能なIDSの開発に必要な基盤を提供し、真に積極的な防御メカニズムに向けて分野を前進させる。
関連論文リスト
- Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
この研究は、不確実性の下での攻撃段階推論の問題に対処する。
Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。
シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
論文 参考訳（メタデータ） (2025-08-01T06:58:00Z) - A Survey and Evaluation of Adversarial Attacks for Object Detection [11.48212060875543]
深層学習モデルは、信頼できるが誤った予測をすることを欺くような敵対的な例に対して脆弱である。
この脆弱性は、自動運転車、セキュリティ監視、安全クリティカルな検査システムなどの高リスクなアプリケーションに重大なリスクをもたらす。
本稿では,対象検出アーキテクチャに特有の敵攻撃を分類するための新しい分類枠組みを提案する。
論文 参考訳（メタデータ） (2024-08-04T05:22:08Z) - It Is Time To Steer: A Scalable Framework for Analysis-driven Attack Graph Generation [50.06412862964449]
アタックグラフ(AG)は、コンピュータネットワークに対するマルチステップ攻撃に対するサイバーリスクアセスメントをサポートする最も適したソリューションである。
現在の解決策は、アルゴリズムの観点から生成問題に対処し、生成が完了した後のみ解析を仮定することである。
本稿では,アナリストがいつでもシステムに問い合わせることのできる新しいワークフローを通じて,従来のAG分析を再考する。
論文 参考訳（メタデータ） (2023-12-27T10:44:58Z) - Kairos: Practical Intrusion Detection and Investigation using
Whole-system Provenance [4.101641763092759]
警告グラフは、システムの実行履歴を記述した構造化監査ログである。
証明に基づく侵入検知システム(PIDS)の開発を促進する4つの共通次元を同定する。
4次元のデシラタを同時に満足させる最初のPIDSであるKAIROSについて述べる。
論文 参考訳（メタデータ） (2023-08-09T16:04:55Z) - No Need to Know Physics: Resilience of Process-based Model-free Anomaly
Detection for Industrial Control Systems [95.54151664013011]
本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。
トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
論文 参考訳（メタデータ） (2020-12-07T11:02:44Z) - Investigating Robustness of Adversarial Samples Detection for Automatic
Speaker Verification [78.51092318750102]
本研究は,ASVシステムに対して,別個の検出ネットワークによる敵攻撃から防御することを提案する。
VGGライクな二分分類検出器を導入し、対向サンプルの検出に有効であることが実証された。
論文 参考訳（メタデータ） (2020-06-11T04:31:56Z)
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。