論文の概要: Evaluating MCC for Low-Frequency Cyberattack Detection in Imbalanced Intrusion Detection Data

• arxiv url: http://arxiv.org/abs/2512.19203v1
• Date: Mon, 22 Dec 2025 09:39:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.696497
• Title: Evaluating MCC for Low-Frequency Cyberattack Detection in Imbalanced Intrusion Detection Data
• Title（参考訳）: 不均衡侵入検知データにおける低周波サイバー攻撃検出のためのMCCの評価
• Authors: Prameshwar Thiyagarajan, Chad A. Williams,
• Abstract要約: CSE-CIC-IDS 2018データセットにおいて,低トラフィック攻撃に対するベースおよびメタ分類器のセットを評価する。 我々はそれらの信頼性を精度とマシューズ相関係数(MCC)で比較する。 その結果、MCCは、多数派と少数派の両方で、分類器の性能をより正確に評価する一方、精度は一貫して向上することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many real-world network environments, several types of cyberattacks occur at very low rates compared to benign traffic, making them difficult for intrusion detection systems (IDS) to detect reliably. This imbalance causes traditional evaluation metrics, such as accuracy, to often overstate model performance in these conditions, masking failures on minority attack classes that are most important in practice. In this paper, we evaluate a set of base and meta classifiers on low-traffic attacks in the CSE-CIC-IDS2018 dataset and compare their reliability in terms of accuracy and Matthews Correlation Coefficient (MCC). The results show that accuracy consistently inflates performance, while MCC provides a more accurate assessment of a classifier's performance across both majority and minority classes. Meta-classification methods, such as LogitBoost and AdaBoost, demonstrate more effective minority class detection when measured by MCC, revealing trends that accuracy fails to capture. These findings establish the need for imbalance-aware evaluation and make MCC a more trustworthy metric for IDS research involving low-traffic cyberattacks.
• Abstract（参考訳）: 多くの実世界のネットワーク環境では、良質なトラフィックに比べて、いくつかの種類のサイバー攻撃が非常に低い速度で発生し、侵入検知システム(IDS)が確実に検出することが困難になる。 この不均衡により、精度などの従来の評価指標は、これらの条件下でモデルのパフォーマンスを過度に上書きし、実際に最も重要なマイノリティアタッククラスの障害を隠蔽する。 本稿では,CSE-CIC-IDS2018データセットにおける低トラフィック攻撃に対するベースおよびメタ分類器のセットを評価し,その信頼性を精度とマシューズ相関係数(MCC)で比較する。 その結果、MCCは、多数派と少数派の両方で、分類器の性能をより正確に評価する一方、精度は一貫して向上することが示された。 LogitBoostやAdaBoostのようなメタ分類手法は、MCCによって測定された場合、より効果的なマイノリティクラス検出を示し、精度が捕捉できない傾向を明らかにしている。 これらの知見は、低トラフィックのサイバー攻撃を含むIDS研究において、不均衡を意識した評価の必要性を確立し、MCCをより信頼できる指標にしている。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• A Quad-Step Approach to Uncertainty-Aware Deep Learning for Skin Cancer Classification [13.993637404760355]
  ディープラーニングモデルは、皮膚がんの分類を自動化することを約束している。 しかし、データ不足と不確実性に対する認識が限られているため、課題は残る。 本研究では,HAM10000データセットを用いたDLベースの皮膚病変分類の包括的評価を行った。
  論文  参考訳（メタデータ） (2025-06-12T02:29:16Z)
• Self-Classification Enhancement and Correction for Weakly Supervised Object Detection [113.51483527300496]
  弱い監督対象検出(WSOD)は、ラベル付けコストの低いため、多くの注目を集めている。 本稿では,この2つの問題を改善するための新しいWSODフレームワークを紹介する。 まず,2つの異なるMCCタスク間のギャップを埋めるために,クラス内バイナリ分類(ICBC)を統合した自己分類拡張モジュールを提案する。 また,2つのMCCタスクの結果を組み合わせて,誤分類予測を効果的に削減する自己分類補正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-22T06:45:58Z)
• Systematic Evaluation of Synthetic Data Augmentation for Multi-class NetFlow Traffic [2.5182419298876857]
  マルチクラス分類モデルは特定のタイプの攻撃を識別し、より標的的で効果的なインシデント応答を可能にする。 最近の進歩は、生成モデルがデータの増大を補助し、不均衡なデータセットに対して優れたソリューションを提供すると主張することを示唆している。 本実験は,トレーニングデータのバランスをとる再サンプリング手法が,分類性能を確実に向上させるものではないことを示唆している。
  論文  参考訳（メタデータ） (2024-08-28T12:44:07Z)
• Towards Robust and Interpretable EMG-based Hand Gesture Recognition using Deep Metric Meta Learning [37.21211404608413]
  本稿では,意味的かつ解釈可能な表現の作成を監督するために,EMG PRにおける深層メートル法メタラーニングへのシフトを提案する。 我々は、不正確な決定をよりよく拒否する頑健なクラス近接性に基づく信頼度推定器を導出する。
  論文  参考訳（メタデータ） (2024-04-17T23:37:50Z)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• 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)
• Cross-Layered Distributed Data-driven Framework For Enhanced Smart Grid Cyber-Physical Security [3.8237485961848128]
  Adaptive Statisticsを使用したクロスレイヤアンサンブルCorrDetが紹介される。 故障したSG測定データの検出と、ネットワーク間時間と送信遅延の一貫性の欠如を統合する。 その結果,CECD-ASは複数のFalse Data Injection, Denial of Service (DoS) および Man In The Middle (MITM) 攻撃を高いF1スコアで検出できることがわかった。
  論文  参考訳（メタデータ） (2021-11-10T00:00:51Z)
• 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。