論文の概要: An explainable Recursive Feature Elimination to detect Advanced Persistent Threats using Random Forest classifier

• arxiv url: http://arxiv.org/abs/2511.09603v1
• Date: Fri, 14 Nov 2025 01:01:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.369001
• Title: An explainable Recursive Feature Elimination to detect Advanced Persistent Threats using Random Forest classifier
• Title（参考訳）: ランダムフォレスト分類器を用いた高度な脅威検出のための説明可能な再帰的特徴除去
• Authors: Noor Hazlina Abdul Mutalib, Aznul Qalid Md Sabri, Ainuddin Wahid Abdul Wahab, Erma Rahayu Mohd Faizal Abdullah, Nouar AlDahoul,
• Abstract要約: 本稿では,Recursive Feature Elimination(RFE)とRandom Forest(RF)を統合し,APT(Advanced Persistent Threats)の検出を向上させるための説明可能な侵入検出フレームワークを提案する。 実験の結果,RF-RFEは検出精度99.9%を達成し,従来の分類器と比較して偽陽性・計算コストを低減できた。
• 参考スコア（独自算出の注目度）: 1.565870461096057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrusion Detection Systems (IDS) play a vital role in modern cybersecurity frameworks by providing a primary defense mechanism against sophisticated threat actors. In this paper, we propose an explainable intrusion detection framework that integrates Recursive Feature Elimination (RFE) with Random Forest (RF) to enhance detection of Advanced Persistent Threats (APTs). By using CICIDS2017 dataset, the approach begins with comprehensive data preprocessing and narrows down the most significant features via RFE. A Random Forest (RF) model was trained on the refined feature set, with SHapley Additive exPlanations (SHAP) used to interpret the contribution of each selected feature. Our experiment demonstrates that the explainable RF-RFE achieved a detection accuracy of 99.9%, reducing false positive and computational cost in comparison to traditional classifiers. The findings underscore the effectiveness of integrating explainable AI and feature selection to develop a robust, transparent, and deployable IDS solution.
• Abstract（参考訳）: 侵入検知システム(IDS)は、高度な脅威行為者に対する主要な防御機構を提供することによって、現代のサイバーセキュリティフレームワークにおいて重要な役割を果たす。 本稿では,Recursive Feature Elimination(RFE)とRandom Forest(RF)を統合し,APT(Advanced Persistent Threats)の検出を向上させるための,説明可能な侵入検出フレームワークを提案する。 CICIDS2017データセットを使用することで、アプローチは包括的なデータ前処理から始まり、RFEを通じて最も重要な機能を絞り込む。 ランダムフォレスト (RF) モデルは改良された特徴セットに基づいて訓練され、SHAP (SHapley Additive exPlanations) は選択された特徴の寄与を解釈するために使用された。 実験の結果,RF-RFEは検出精度99.9%を達成し,従来の分類器と比較して偽陽性・計算コストを低減できた。 この発見は、堅牢で透明でデプロイ可能なIDSソリューションを開発するために、説明可能なAIと機能選択を統合する効果を強調している。

関連論文リスト

• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Ensemble of Precision-Recall Curve (PRC) Classification Trees with Autoencoders [3.060720241524644]
  異常検出は、ネットワークセキュリティ、侵入検出、不正防止といった重要な応用を支えている。 前者に対抗するため、我々は以前にPrecision-Recall Curve(PRC)分類木とそのアンサンブル拡張であるPRC-RF(PRCランダムフォレスト)を導入した。 そこで本研究では,PRC-RFを自動エンコーダと統合するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-06T16:39:22Z)
• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• Random Forest Autoencoders for Guided Representation Learning [9.97014316910538]
  RF-AEは、非教師なし可視化のためのカーネルベースのフレームワークである。 これは、ニューラルエンコーダの柔軟性と、ランダム森林の監督された強度と、キャプチャーされたRF-PHATEデータによる幾何学とを組み合わせる。 RF-AEはカーネルパラメータの選択に頑健であり、任意の超基底次元還元法に一般化する。
  論文  参考訳（メタデータ） (2025-02-18T20:02:29Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)
• ADASYN-Random Forest Based Intrusion Detection Model [0.0]
  侵入検知はサイバーセキュリティの分野で重要な話題であり、近年のネットワークの脅威は多様性とバリエーションの特徴を持っている。 侵入検出データセットの深刻な不均衡を考慮して,adasynオーバーサンプリング法を用いてデータセットのバランスをとる。 従来の機械学習モデルと比較して、パフォーマンス、一般化能力、堅牢性が向上します。
  論文  参考訳（メタデータ） (2021-05-10T12:22:36Z)
• 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。