Fugu-MT 論文翻訳(概要): HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks

論文の概要: HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks

arxiv url: http://arxiv.org/abs/2511.07793v1
Date: Wed, 12 Nov 2025 01:18:36 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-12 20:17:03.480339
Title: HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks
Title（参考訳）: HybridGuard:Dew-Enabled Edge-of-Thingsネットワークにおけるマイノリティクラスの侵入検出を実現する
Authors: Binayak Kara, Ujjwal Sahua, Ciza Thomas, Jyoti Prakash Sahoo,
Abstract要約: HybridGuardは、侵入検出を改善するために機械学習とディープラーニングを統合するフレームワークである。相互情報に基づく特徴選択を通じてデータの不均衡に対処する。 HybridGuardはUNSW-NB15、CIC-IDS-2017、IOTID20データセットで評価されている。
参考スコア（独自算出の注目度）: 1.1269582666887323
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Securing Dew-Enabled Edge-of-Things (EoT) networks against sophisticated intrusions is a critical challenge. This paper presents HybridGuard, a framework that integrates machine learning and deep learning to improve intrusion detection. HybridGuard addresses data imbalance through mutual information based feature selection, ensuring that the most relevant features are used to improve detection performance, especially for minority attack classes. The framework leverages Wasserstein Conditional Generative Adversarial Networks with Gradient Penalty (WCGAN-GP) to further reduce class imbalance and enhance detection precision. It adopts a two-phase architecture called DualNetShield to support advanced traffic analysis and anomaly detection, improving the granular identification of threats in complex EoT environments. HybridGuard is evaluated on the UNSW-NB15, CIC-IDS-2017, and IOTID20 datasets, where it demonstrates strong performance across diverse attack scenarios and outperforms existing solutions in adapting to evolving cybersecurity threats. This approach establishes HybridGuard as an effective tool for protecting EoT networks against modern intrusions.
Abstract（参考訳）: 高度な侵入に対してDew-Enabled Edge-of-Things(EoT)ネットワークを保護することは重要な課題である。本稿では,機械学習とディープラーニングを統合し,侵入検出を改善するフレームワークであるHybridGuardを提案する。 HybridGuardは、相互情報に基づく特徴選択を通じてデータの不均衡に対処し、特にマイノリティアタッククラスにおいて、最も関連性の高い機能が検出性能を改善するために使用されることを保証する。このフレームワークは、Wasserstein Conditional Generative Adversarial Networks with Gradient Penalty (WCGAN-GP)を活用し、クラス不均衡をさらに軽減し、検出精度を高める。 DualNetShieldと呼ばれる2フェーズアーキテクチャを採用し、高度なトラフィック分析と異常検出をサポートし、複雑なEoT環境における脅威の粒度の識別を改善している。 HybridGuardはUNSW-NB15、CIC-IDS-2017、IOTID20データセットで評価されており、多様な攻撃シナリオにまたがる強力なパフォーマンスを示し、サイバーセキュリティの脅威に適応する既存のソリューションを上回っている。このアプローチは、EoTネットワークを現代の侵入から保護するための効果的なツールとしてHybridGuardを確立する。

関連論文リスト

Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
論文参考訳（メタデータ） (2025-10-29T03:47:02Z)
When UAV Swarm Meets IRS: Collaborative Secure Communications in Low-altitude Wireless Networks [68.45202147860537]
低高度無線ネットワーク (LAWN) は、多様なアプリケーションに対して、拡張されたカバレッジ、信頼性、スループットを提供する。これらのネットワークは、既知のおよび潜在的に未知の盗聴者の両方から重大なセキュリティ上の脆弱性に直面している。本稿では,Swarm内で選択されたUAVを仮想アンテナアレイとして機能させる,LAWNのための新しいセキュア通信フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-25T02:02:14Z)
Learning from Few Samples: A Novel Approach for High-Quality Malcode Generation [47.76793060077816]
侵入検知システム(IDS)は,ネットワークセキュリティ防衛において重要な役割を担っている。検出モデルのトレーニングにおけるIDSの重要な課題は、適切にラベル付けされた悪意のあるサンプルが不足していることである。本稿では、GAN(Generative Adrial Networks)とLLM(Large Language Models)を統合した、新しい半教師付きフレームワーク textbfGANGRL-LLMを提案する。
論文参考訳（メタデータ） (2025-08-25T15:55:17Z)
Hybrid LLM-Enhanced Intrusion Detection for Zero-Day Threats in IoT Networks [6.087274577167399]
本稿では,GPT-2大言語モデル(LLM)の文脈理解機能と従来のシグネチャベース手法を統合した侵入検出手法を提案する。本稿では,GPT-2による意味解析の適応性とシグネチャベースの手法の堅牢性を融合したハイブリッドIDSフレームワークを提案する。代表的な侵入データセットを用いた実験により, 検出精度を6.3%向上し, 偽陽性率を9.0%低減し, ほぼリアルタイム応答性を維持した。
論文参考訳（メタデータ） (2025-07-10T04:10:03Z)
Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT [0.0]
アドレス解決プロトコル(ARP)攻撃はモノのインターネット(IoT)ネットワークを脅かす。従来の検出方法は、高い偽陽性と低い適応性のために不十分である。本研究は,IoTネットワークにおけるARPスプーリングをインテリジェントに検出する多層機械学習ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2025-06-22T17:10:32Z)
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)
Distributed Threat Intelligence at the Edge Devices: A Large Language Model-Driven Approach [0.0]
エッジデバイス上の分散脅威インテリジェンスは、リソース制約されたエッジデバイス上でのサイバーセキュリティを強化するための有望なパラダイムである。このアプローチでは、エッジデバイスに直接軽量機械学習モデルをデプロイして、ネットワークトラフィックやシステムログなどのローカルデータストリームをリアルタイムで分析する。提案するフレームワークは,ネットワークからエッジデバイスを分離することで,サイバー脅威の検出と緩和において,より優れたセキュリティを提供することにより,エッジコンピューティングのセキュリティを向上させることができる。
論文参考訳（メタデータ） (2024-05-14T16:40:37Z)
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)
Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文参考訳（メタデータ） (2023-06-06T14:19:23Z)
Towards Adversarial Realism and Robust Learning for IoT Intrusion Detection and Classification [0.0]
IoT(Internet of Things)は、重大なセキュリティ上の課題に直面している。敵の攻撃による脅威の増大は、信頼できる防衛戦略の必要性を回復させる。本研究は、敵のサイバー攻撃事例が現実的であるために必要な制約の種類について述べる。
論文参考訳（メタデータ） (2023-01-30T18:00:28Z)
Downlink Power Allocation in Massive MIMO via Deep Learning: Adversarial Attacks and Training [62.77129284830945]
本稿では,無線環境における回帰問題を考察し,敵攻撃がDLベースのアプローチを損なう可能性があることを示す。また,攻撃に対するDLベースの無線システムの堅牢性が著しく向上することを示す。
論文参考訳（メタデータ） (2022-06-14T04:55:11Z)

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。