論文の概要: SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2512.00251v1
• Date: Fri, 28 Nov 2025 23:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.133781
• Title: SD-CGAN: Conditional Sinkhorn Divergence GAN for DDoS Anomaly Detection in IoT Networks
• Title（参考訳）: SD-CGAN:IoTネットワークにおけるDDoS異常検出のための条件付きシンクホーン拡散GAN
• Authors: Henry Onyeka, Emmanuel Samson, Liang Hong, Tariqul Islam, Imtiaz Ahmed, Kamrul Hasan,
• Abstract要約: 本稿では,Sinkhorn Divergence で拡張された条件付き生成逆ネットワークフレームワーク SD-CGAN を提案する。 このフレームワークは、CTGANベースの合成データ拡張により、クラス不均衡に対処し、Sinkhorn Divergenceを幾何認識損失関数として活用することにより、トレーニング安定性を改善し、モード崩壊を低減する。 その結果、SD-CGANはエッジ対応IoT環境への展開に適した計算効率を維持しつつ、より優れた検出精度、精度、リコール、F1スコアを実現することが示された。
• 参考スコア（独自算出の注目度）: 7.7791934741614925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing complexity of IoT edge networks presents significant challenges for anomaly detection, particularly in identifying sophisticated Denial-of-Service (DoS) attacks and zero-day exploits under highly dynamic and imbalanced traffic conditions. This paper proposes SD-CGAN, a Conditional Generative Adversarial Network framework enhanced with Sinkhorn Divergence, tailored for robust anomaly detection in IoT edge environments. The framework incorporates CTGAN-based synthetic data augmentation to address class imbalance and leverages Sinkhorn Divergence as a geometry-aware loss function to improve training stability and reduce mode collapse. The model is evaluated on exploitative attack subsets from the CICDDoS2019 dataset and compared against baseline deep learning and GAN-based approaches. Results show that SD-CGAN achieves superior detection accuracy, precision, recall, and F1-score while maintaining computational efficiency suitable for deployment in edge-enabled IoT environments.
• Abstract（参考訳）: IoTエッジネットワークの複雑さの増大は、特に高度なDoS(DoS)攻撃と、高度に動的で不均衡なトラフィック条件下でのゼロデイエクスプロイトの特定において、異常検出に重大な課題を呈している。 本稿では,Sinkhorn Divergenceによって拡張されたコンディショナル・ジェネレーティブ・アドバイサル・ネットワーク・フレームワークであるSD-CGANを提案する。 このフレームワークは、CTGANベースの合成データ拡張により、クラス不均衡に対処し、Sinkhorn Divergenceを幾何認識損失関数として活用することにより、トレーニング安定性を改善し、モード崩壊を低減する。 このモデルは、CICDDoS2019データセットからのエクスプロイト攻撃サブセットに基づいて評価され、ベースラインのディープラーニングとGANベースのアプローチと比較される。 その結果、SD-CGANはエッジ対応IoT環境への展開に適した計算効率を維持しつつ、より優れた検出精度、精度、リコール、F1スコアを実現することが示された。

関連論文リスト

• Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method [0.0]
  モノのインターネットの急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで産業を変革させた。 IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、データ操作など、セキュリティ上の脅威に対して脆弱なままである。 本稿では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T22:42:05Z)
• MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks [7.744496444309422]
  MixGANは条件付き生成、半教師付き学習、頑健な特徴抽出を統合したハイブリッド検出手法である。 複雑な時間的トラフィックパターンを扱うために、残差接続を有する時間的畳み込み層からなる1次元ワイドレスネットバックボーンを設計する。 クラス不均衡とラベルの不足を軽減するために,事前訓練したCTGANを用いて,合成マイノリティクラス(DDoS攻撃)サンプルを生成する。 NSL-KDD、BoT-IoT、CIC2023の実験では、MixGANはTPRとTNRの両方で最大2.5%の精度と4%の改善を実現している。
  論文  参考訳（メタデータ） (2025-08-22T20:13:29Z)
• Noise Robust One-Class Intrusion Detection on Dynamic Graphs [46.453758431767724]
  本研究では,TGN-SVDDモデルの確率的バージョンを導入し,入力雑音の有無の検出精度を高めることを目的とした。 合成ノイズを用いたCIC-IDS 2017データセットの修正実験により, ベースラインTGN-SVDDモデルに比べて検出性能が著しく向上した。
  論文  参考訳（メタデータ） (2025-08-19T18:36:11Z)
• Network Anomaly Detection for IoT Using Hyperdimensional Computing on NSL-KDD [0.2399911126932527]
  本稿では,超次元計算(HDC)技術を用いたネットワーク異常検出手法を提案する。 提案手法は,大規模データ処理におけるHDCの効率を利用して,未知の攻撃パターンと未知の攻撃パターンを識別する。 このモデルはKDDTrain+サブセットで91.55%の精度を達成し、従来のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2025-03-04T22:19:26Z)
• SCADE: Scalable Framework for Anomaly Detection in High-Performance System [0.0]
  コマンドラインインタフェースは高性能コンピューティング環境に不可欠な存在である。 従来のセキュリティソリューションでは、コンテキスト固有の性質、ラベル付きデータの欠如、LOL(Living-off-the-Land)のような高度な攻撃の頻度による異常の検出に苦労している。 本稿では,グローバル統計モデルと局所的文脈特化分析を組み合わせた拡張型コマンドライン異常検出エンジン(SCADE)について紹介する。
  論文  参考訳（メタデータ） (2024-12-05T15:39:13Z)
• Evaluating ML Robustness in GNSS Interference Classification, Characterization & Localization [42.14439854721613]
  ジャミング装置はグローバルナビゲーション衛星システム(GNSS)からの信号を妨害する 本稿では、低周波アンテナから得られたスナップショットからなる広範囲なデータセットを提案する。 本研究の目的は,機械学習モデル(ML)の環境変化に対するレジリエンスを評価することである。
  論文  参考訳（メタデータ） (2024-09-23T15:20:33Z)
• 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)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for sparse recover [87.28082715343896]
  我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。 我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。 提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
  論文  参考訳（メタデータ） (2021-10-20T06:15:45Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• 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)

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。