論文の概要: Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System

• arxiv url: http://arxiv.org/abs/2511.08491v1
• Date: Wed, 12 Nov 2025 02:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.83707
• Title: Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System
• Title（参考訳）: 自律的で効率的なサイバーセキュリティに向けて:多目的オートMLによる侵入検知システム
• Authors: Li Yang, Abdallah Shami,
• Abstract要約: 自動機械学習(AutoML)と多目的最適化(MOO)を用いた侵入検知システム(IDS) この研究は、4つのAutoMLステージをすべて統合した最初のIDSフレームワークを示し、リソース制約されたシステムへのデプロイにおいて、検出効率、効率、信頼性を共同で最適化するために、多目的最適化を採用している。
• 参考スコア（独自算出の注目度）: 10.769230030919074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasingly sophisticated cybersecurity threats and rising demand for network automation, autonomous cybersecurity mechanisms are becoming critical for securing modern networks. The rapid expansion of Internet of Things (IoT) systems amplifies these challenges, as resource-constrained IoT devices demand scalable and efficient security solutions. In this work, an innovative Intrusion Detection System (IDS) utilizing Automated Machine Learning (AutoML) and Multi-Objective Optimization (MOO) is proposed for autonomous and optimized cyber-attack detection in modern networking environments. The proposed IDS framework integrates two primary innovative techniques: Optimized Importance and Percentage-based Automated Feature Selection (OIP-AutoFS) and Optimized Performance, Confidence, and Efficiency-based Combined Algorithm Selection and Hyperparameter Optimization (OPCE-CASH). These components optimize feature selection and model learning processes to strike a balance between intrusion detection effectiveness and computational efficiency. This work presents the first IDS framework that integrates all four AutoML stages and employs multi-objective optimization to jointly optimize detection effectiveness, efficiency, and confidence for deployment in resource-constrained systems. Experimental evaluations over two benchmark cybersecurity datasets demonstrate that the proposed MOO-AutoML IDS outperforms state-of-the-art IDSs, establishing a new benchmark for autonomous, efficient, and optimized security for networks. Designed to support IoT and edge environments with resource constraints, the proposed framework is applicable to a variety of autonomous cybersecurity applications across diverse networked environments.
• Abstract（参考訳）: ますます高度なサイバーセキュリティの脅威と、ネットワークの自動化に対する需要の高まりにより、自律的なサイバーセキュリティメカニズムは現代のネットワークの確保に欠かせないものになりつつある。 IoT(Internet of Things)システムの急速な拡張は、リソース制約のIoTデバイスがスケーラブルで効率的なセキュリティソリューションを必要としているため、これらの課題を増幅する。 本研究では,自動機械学習(Automated Machine Learning, AutoML)と多目的最適化(Multi-Objective Optimization, MOO)を用いたIDS(Intrusion Detection System)を提案する。 提案したIDSフレームワークは,OIP-AutoFS (Optimized Importance and Percentage-based Automated Feature Selection) とOIP-AutoFS (Optimized Performance, Confidence, and efficiency-based Combined Algorithm Selection and Hyperparameter Optimization (OPCE-CASH) の2つの革新的な技術を統合している。 これらのコンポーネントは特徴選択とモデル学習プロセスを最適化し、侵入検出効率と計算効率のバランスをとる。 この研究は、4つのAutoMLステージをすべて統合した最初のIDSフレームワークを示し、リソース制約されたシステムへのデプロイにおいて、検出効率、効率、信頼性を共同で最適化するために、多目的最適化を採用している。 2つのベンチマークサイバーセキュリティデータセットに対する実験的評価では、提案されたMOO-AutoML IDSは最先端のIDSよりも優れており、ネットワークの自律的、効率的、最適化されたセキュリティのための新しいベンチマークを確立している。 リソース制約のあるIoTとエッジ環境をサポートするように設計されたこのフレームワークは、さまざまなネットワーク環境にわたるさまざまな自律サイバーセキュリティアプリケーションに適用可能である。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Open-Source LLM-Driven Federated Transformer for Predictive IoV Management [1.8024397171920885]
  Federated Prompt-d Traffic Transformer (FPoTT)は、オープンソースのLarge Language Modelsを利用して予測IoV管理を行う新しいフレームワークである。 FPoTTは動的プロンプト最適化機構を導入し、テキストプロンプトを反復的に洗練して軌道予測を強化する。 このアーキテクチャは、リアルタイム推論のための軽量エッジモデルと、グローバルインテリジェンスを維持するためのクラウドベースのLLMを組み合わせた、二重層フェデレーション学習パラダイムを採用している。
  論文  参考訳（メタデータ） (2025-05-01T16:54:21Z)
• Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
  Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。 本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T13:20:02Z)
• Integrated LLM-Based Intrusion Detection with Secure Slicing xApp for Securing O-RAN-Enabled Wireless Network Deployments [2.943640991628177]
  Open Radio Access Network (O-RAN) アーキテクチャは、オープン性、柔軟性、インテリジェントなクローズループ最適化を促進することで、通信を再構築している。 本研究では,接続されたUEの時間的トラフィックパターンに基づいて,大規模言語モデル(LLM)を用いてセキュリティレコメンデーションを生成する。
  論文  参考訳（メタデータ） (2025-04-01T01:45:07Z)
• Towards Autonomous Cybersecurity: An Intelligent AutoML Framework for Autonomous Intrusion Detection [21.003217781832923]
  本稿では,次世代ネットワークにおける自律型サイバーセキュリティの実現に向けた,自動機械学習(AutoML)に基づく自律型IDSフレームワークを提案する。 提案されたAutoMLベースのIDSは、CICIDS 2017と5G-NIDDという2つの公開ベンチマークネットワークセキュリティデータセットで評価された。 この研究は、次世代ネットワークにおける完全自律型サイバーセキュリティへの重要な一歩であり、ネットワークセキュリティアプリケーションに革命をもたらす可能性がある。
  論文  参考訳（メタデータ） (2024-09-05T00:36:23Z)
• DNN Partitioning, Task Offloading, and Resource Allocation in Dynamic Vehicular Networks: A Lyapunov-Guided Diffusion-Based Reinforcement Learning Approach [49.56404236394601]
  本稿では,Vehicular Edge Computingにおける共同DNNパーティショニング,タスクオフロード,リソース割り当ての問題を定式化する。 我々の目標は、時間とともにシステムの安定性を保証しながら、DNNベースのタスク完了時間を最小化することである。 拡散モデルの革新的利用を取り入れたマルチエージェント拡散に基づく深層強化学習(MAD2RL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-06-11T06:31:03Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)

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。