論文の概要: Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks

• arxiv url: http://arxiv.org/abs/2512.10637v2
• Date: Sat, 13 Dec 2025 05:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.240678
• Title: Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks
• Title（参考訳）: 動的ニューラルネットワークを用いた5G/6Gネットワークの逆学習による適応侵入検出システム
• Authors: Neha, Tarunpreet Bhatia,
• Abstract要約: 本稿では,5G/6Gネットワークにおける対向学習と動的ニューラルネットワークを活用した高度なIDSフレームワークを提案する。 知識を更新するために高価なリトレーニングを必要とする従来のモデルとは異なり、提案フレームワークはインクリメンタルラーニングアルゴリズムを統合し、頻繁なリトレーニングの必要性を減らす。
• 参考スコア（独自算出の注目度）: 2.062593640149623
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intrusion Detection Systems (IDS) are critical components in safeguarding 5G/6G networks from both internal and external cyber threats. While traditional IDS approaches rely heavily on signature-based methods, they struggle to detect novel and evolving attacks. This paper presents an advanced IDS framework that leverages adversarial training and dynamic neural networks in 5G/6G networks to enhance network security by providing robust, real-time threat detection and response capabilities. Unlike conventional models, which require costly retraining to update knowledge, the proposed framework integrates incremental learning algorithms, reducing the need for frequent retraining. Adversarial training is used to fortify the IDS against poisoned data. By using fewer features and incorporating statistical properties, the system can efficiently detect potential threats. Extensive evaluations using the NSL- KDD dataset demonstrate that the proposed approach provides better accuracy of 82.33% for multiclass classification of various network attacks while resisting dataset poisoning. This research highlights the potential of adversarial-trained, dynamic neural networks for building resilient IDS solutions.
• Abstract（参考訳）: 侵入検知システム(IDS)は、内部および外部のサイバー脅威から5G/6Gネットワークを保護する重要なコンポーネントである。 従来のIDSアプローチはシグネチャベースの手法に大きく依存しているが、新しい攻撃や進化する攻撃を検出するのに苦労している。 本稿では、5G/6Gネットワークにおける敵のトレーニングと動的ニューラルネットワークを活用して、堅牢でリアルタイムな脅威検出と応答機能を提供することで、ネットワークセキュリティを向上させるための高度なIDSフレームワークを提案する。 知識を更新するために高価なリトレーニングを必要とする従来のモデルとは異なり、提案フレームワークはインクリメンタルラーニングアルゴリズムを統合し、頻繁なリトレーニングの必要性を減らす。 敵の訓練は、IDSが有毒なデータに対して強化するために使用される。 より少ない特徴を使用し、統計特性を取り入れることで、システムは潜在的な脅威を効率的に検出できる。 NSL-KDDデータセットを用いた広範囲な評価により、提案手法は、データセット中毒に抵抗しながら、様々なネットワーク攻撃のマルチクラス分類において、82.33%の精度を提供することが示された。 この研究は、レジリエンスIDSソリューションを構築するために、敵に訓練された動的ニューラルネットワークの可能性を強調している。

関連論文リスト

• SoK: Systematic analysis of adversarial threats against deep learning approaches for autonomous anomaly detection systems in SDN-IoT networks [1.4610038284393163]
  本研究では、構造化された敵対的脅威モデルと攻撃の包括的分類を導入し、それらをデータ、モデル、ハイブリッドレベルの脅威に分類する。 以上の結果から、敵の攻撃によって検出精度が最大48.4%低下し、メンバーシップ推論が最大の低下を招いたことが判明した。 本稿では、リアルタイムの敵緩和、強化されたリトレーニング機構、説明可能なAI駆動型セキュリティフレームワークなど、適応的な対策を提案する。
  論文  参考訳（メタデータ） (2025-09-30T14:54:42Z)
• Intrusion Detection System Using Deep Learning for Network Security [0.6554326244334868]
  本稿では,深層学習技術に基づくIDSモデルの実験的評価を提案する。 ネットワークトラフィックを悪意のあるカテゴリと良心的なカテゴリに分類することに注力する。 テストされたモデルのうち、最高は96%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-09T06:04:58Z)
• Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends [20.469263896950437]
  我々は,CyberEdgeネットワークにおけるレジリエント・フェデレート・ラーニング(ResFL)の最新技術について検討する。 我々は,集約的推論と機能指向型セキュリティ機構を用いた共同トレーニングに重点を置いている。 これらの進歩は、超低レイテンシ、人工知能(AI)駆動のネットワーク管理、敵攻撃に対するレジリエンスの改善を提供する。
  論文  参考訳（メタデータ） (2025-04-01T23:06:45Z)
• Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
  侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。 本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。 我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
  論文  参考訳（メタデータ） (2024-07-08T09:18:59Z)
• Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
  我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。 本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。 このアプローチは、潜在空間における表現学習の強みを生かしている。
  論文  参考訳（メタデータ） (2024-06-04T03:22:52Z)
• Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
  本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
  論文  参考訳（メタデータ） (2024-02-26T20:57:35Z)
• Spiking Generative Adversarial Networks With a Neural Network Discriminator: Local Training, Bayesian Models, and Continual Meta-Learning [31.78005607111787]
  スパイキングパターンを再現するためにニューラルネットワークを訓練することは、ニューロモルフィックコンピューティングにおける中心的な問題である。 この研究は、個々のスパイキング信号ではなく、スパイキング信号にマッチするようにSNNを訓練することを提案する。
  論文  参考訳（メタデータ） (2021-11-02T17:20:54Z)
• ASAT: Adaptively Scaled Adversarial Training in Time Series [21.65050910881857]
  金融分野を例に挙げて,時系列分析における対戦訓練の導入に向けて第一歩を踏み出した。 時系列解析において,異なる時間スロットにおけるデータを時間依存の重み付きで扱うことにより,適応的スケールの対位訓練(ASAT)を提案する。 実験の結果,提案したASATはニューラルネットワークの精度と対角的堅牢性の両方を向上できることがわかった。
  論文  参考訳（メタデータ） (2021-08-20T03:13:34Z)
• Towards Robust Neural Networks via Orthogonal Diversity [30.77473391842894]
  敵の訓練とその変種に代表される一連の手法は、ディープニューラルネットワークの堅牢性を高める最も効果的な手法の1つとして証明されている。 本稿では, 多様な入力に適応する特徴を学習するために, モデルの拡張を目的とした新しい防御手法を提案する。 このようにして、提案したDIOは、これらの相互直交経路によって学習された特徴を補正できるため、モデルを強化し、DNN自体の堅牢性を高める。
  論文  参考訳（メタデータ） (2020-10-23T06:40:56Z)
• Evaluation of Adversarial Training on Different Types of Neural Networks in Deep Learning-based IDSs [3.8073142980733]
  我々は、異なる回避攻撃の有効性と、レジリエンス深層学習に基づくIDSの訓練方法に焦点をあてる。 我々は min-max アプローチを用いて、敵の例に対して頑健なIDSを訓練する問題を定式化する。 異なるディープラーニングアルゴリズムと異なるベンチマークデータセットに関する実験により、敵の訓練に基づくmin-maxアプローチによる防御が、よく知られた5つの敵の攻撃方法に対する堅牢性を向上することを示した。
  論文  参考訳（メタデータ） (2020-07-08T23:33:30Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。