論文の概要: A Secured Intent-Based Networking (sIBN) with Data-Driven Time-Aware Intrusion Detection

• arxiv url: http://arxiv.org/abs/2511.05133v1
• Date: Fri, 07 Nov 2025 10:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-10 21:00:44.735186
• Title: A Secured Intent-Based Networking (sIBN) with Data-Driven Time-Aware Intrusion Detection
• Title（参考訳）: データ駆動型タイムアウェア侵入検出によるセキュアなインテントベースネットワーク(sIBN)
• Authors: Urslla Uchechi Izuazu, Mounir Bensalem, Admela Jukan,
• Abstract要約: 本研究では,データ駆動型侵入検知方式を用いたセキュアな IBN (sIBN) システムを提案する。 提案するインテント侵入検出システムは,ネットワーク行動異常検出に応用したMLモデルを用いて,インテントタンパの時間的パターンを明らかにする。
• 参考スコア（独自算出の注目度）: 2.7273279761148967
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Intent-Based Networking (IBN) promises operational efficiency through autonomous and abstraction-driven network management, a critical unaddressed issue lies in IBN's implicit trust in the integrity of intent ingested by the network. This inherent assumption of data reliability creates a blind spot exploitable by Man-in-the-Middle (MitM) attacks, where an adversary intercepts and alters intent before it is enacted, compelling the network to orchestrate malicious configurations. This study proposes a secured IBN (sIBN) system with data driven intrusion detection method designed to secure legitimate user intent from adversarial tampering. The proposed intent intrusion detection system uses a ML model applied for network behavioral anomaly detection to reveal temporal patterns of intent tampering. This is achieved by leveraging a set of original behavioral metrics and newly engineered time-aware features, with the model's hyperparameters fine-tuned through the randomized search cross-validation (RSCV) technique. Numerical results based on real-world data sets, show the effectiveness of sIBN, achieving the best performance across standard evaluation metrics, in both binary and multi classification tasks, while maintaining low error rates.
• Abstract（参考訳）: Intent-Based Networking (IBN) は、自律的で抽象化駆動のネットワーク管理を通じて、運用効率を約束するが、重要でない問題は、ネットワークによって取り込まれた意図の完全性に対するISNの暗黙の信頼にある。 このデータ信頼性の本質的な仮定は、Man-in-the-Middle(MitM)攻撃によって悪用可能な盲点を生成し、敵が実行前にインターセプトし、意図を変更する。 そこで本研究では,データ駆動型侵入検知方式を用いたセキュアIBN (sIBN) システムを提案する。 提案するインテント侵入検出システムは,ネットワーク行動異常検出に応用したMLモデルを用いて,インテントタンパの時間的パターンを明らかにする。 これは、ランダム化されたサーチクロスバリデーション(RSCV)技術により、モデルのハイパーパラメータを微調整した、一連の振る舞いメトリクスと、新たに設計されたタイムアウェア機能を活用することで達成される。 実世界のデータセットに基づく数値計算の結果、sIBNの有効性を示し、二分数および複数分類のタスクにおいて標準評価指標で最高の性能を達成し、エラー率を低く保っている。

関連論文リスト

• SDN-Based False Data Detection With Its Mitigation and Machine Learning Robustness for In-Vehicle Networks [4.329477624773496]
  本稿では,車載ネットワークを対象としたFDDMS(False Data Detection and Mitigation System)を提案する。 FDDMSは、偽データインジェクション攻撃をリアルタイムで監視し、検出するように設計されている。
  論文  参考訳（メタデータ） (2025-06-06T22:09:36Z)
• Learning a Neural Association Network for Self-supervised Multi-Object Tracking [39.65022597490719]
  本稿では,多目的追跡のためのデータアソシエーションを自己管理的に学習するための新しいフレームワークを提案する。 本稿では,検出と追跡を関連付けるためにニューラルネットワークをトレーニングする新しい予測(EM)アルゴリズムを提案する。 我々は,挑戦的なMOT17,MOT20,BDD100Kデータセットに対するアプローチを評価し,最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-11-18T12:22:29Z)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
  対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。 我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
  論文  参考訳（メタデータ） (2023-10-10T09:39:38Z)
• Efficient Network Representation for GNN-based Intrusion Detection [2.321323878201932]
  過去数十年間、深刻な経済とプライバシーの被害を受けたサイバー攻撃の数が増加している。 本稿では,侵入検知タスクのトポロジ情報の提供を目的とした,フローのグラフとしての新しいネットワーク表現を提案する。 提案するグラフ構造を利用したグラフニューラルネットワーク(GNN)に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-11T16:10:12Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)
• Sketching Curvature for Efficient Out-of-Distribution Detection for Deep Neural Networks [32.629801680158685]
  Sketching Curvature of OoD Detection (SCOD)は、訓練されたディープニューラルネットワークにタスク関連不確実性推定を装備するためのアーキテクチャに依存しないフレームワークである。 SCODは,既存のベースラインと比較して計算負担の少ないOoD検出性能の同等あるいは優れたOoD検出性能を達成できることを実証する。
  論文  参考訳（メタデータ） (2021-02-24T21:34:40Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• 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)
• Experimental Review of Neural-based approaches for Network Intrusion Management [8.727349339883094]
  本稿では,侵入検出問題に適用したニューラルネットワーク手法の実験的検討を行う。 私たちは、ディープベースアプローチやウェイトレスニューラルネットワークを含む、侵入検出に関連する最も顕著なニューラルネットワークベースのテクニックの完全なビューを提供します。 我々の評価は、特に最先端のデータセットを使用してモデルのトレーニングを行う場合、ニューラルネットワークの価値を定量化する。
  論文  参考訳（メタデータ） (2020-09-18T18:32:24Z)
• 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)

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。