論文の概要: Threat Detection in Social Media Networks Using Machine Learning Based Network Analysis

• arxiv url: http://arxiv.org/abs/2601.02581v1
• Date: Mon, 05 Jan 2026 22:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.739597
• Title: Threat Detection in Social Media Networks Using Machine Learning Based Network Analysis
• Title（参考訳）: 機械学習に基づくネットワーク分析を用いたソーシャルメディアネットワークの脅威検出
• Authors: Aditi Sanjay Agrawal,
• Abstract要約: 本稿では、ソーシャルメディアネットワーク環境における悪意ある行動の分類に使用できる機械学習に基づく脅威検出フレームワークを提案する。 次に、ニューラルネットワーク(ANN)のモデルを作成し、悪意のあるアクションの複雑で非線形な傾向を取得する。 提案手法は,精度,精度,リコール,F1スコア,ROC-AUCなどの従来の性能指標で検証し,優れた検出精度と高い強度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The accelerated development of social media websites has posed intricate security issues in cyberspace, where these sites have increasingly become victims of criminal activities including attempts to intrude into them, abnormal traffic patterns, and organized attacks. The conventional rule-based security systems are not always scalable and dynamic to meet such a threat. This paper introduces a threat detection framework based on machine learning that can be used to classify malicious behavior in the social media network environment based on the nature of network traffic. Exploiting a rich network traffic dataset, the massive preprocessing and exploratory data analysis is conducted to overcome the problem of data imbalance, feature inconsistency, and noise. A model of artificial neural network (ANN) is then created to acquire intricate, non-linear tendencies of malicious actions. The proposed model is tested on conventional performance metrics, such as accuracy, accuracy, recall, F1-score, and ROC-AUC, and shows good detection and high levels of strength. The findings suggest that neural network-based solutions have the potential to be used effectively to identify the latent threat dynamics within the context of a large-scale social media network and that they can be employed to complement the existing intrusion detection system and better to conduct proactive cybersecurity operations.
• Abstract（参考訳）: ソーシャルメディアサイトの開発が加速し、サイバースペースではセキュリティ上の問題が複雑化しており、これらのサイトは犯罪行為の犠牲者になりつつあり、侵入の試み、異常なトラフィックパターン、組織的な攻撃が相次いだ。 従来のルールベースのセキュリティシステムは、このような脅威に対応するために、必ずしもスケーラブルで動的ではない。 本稿では、ネットワークトラフィックの性質に基づいて、ソーシャルメディア環境における悪意ある行動の分類に使用できる機械学習に基づく脅威検出フレームワークを提案する。 リッチなネットワークトラフィックデータセットをエクスプロイトし、大量の前処理と探索データ分析を行い、データの不均衡、機能不整合、ノイズの問題を克服する。 次に、ニューラルネットワーク(ANN)のモデルを作成し、悪意のあるアクションの複雑で非線形な傾向を取得する。 提案手法は,精度,精度,リコール,F1スコア,ROC-AUCなどの従来の性能指標で検証し,優れた検出精度と高い強度を示す。 この結果は、ニューラルネットワークベースのソリューションが、大規模ソーシャルメディアネットワークのコンテキスト内で潜伏する脅威のダイナミクスを特定するために効果的に使用される可能性があり、既存の侵入検知システムを補完し、より積極的なサイバーセキュリティ操作を行うために使用できることを示唆している。

関連論文リスト

• Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks [2.062593640149623]
  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。
  論文  参考訳（メタデータ） (2025-12-11T13:40:37Z)
• Rethinking Spatio-Temporal Anomaly Detection: A Vision for Causality-Driven Cybersecurity [22.491097360752903]
  我々は,空間的分散インフラにおける異常検出の促進を目的とした因果学習の視点を提唱する。 我々は因果グラフプロファイリング、多視点融合、連続因果グラフ学習の3つの主要な方向を特定し定式化する。 我々の目的は、拡張性、適応性、説明性、空間的根拠を持つ異常検出システムに向けた新しい研究軌道を構築することである。
  論文  参考訳（メタデータ） (2025-07-10T21:19:28Z)
• Countering Autonomous Cyber Threats [40.00865970939829]
  ファンデーションモデルは、サイバードメイン内で広く、特に二元的関心事を提示します。 近年の研究では、これらの先進的なモデルが攻撃的なサイバースペース操作を通知または独立に実行する可能性を示している。 この研究は、孤立したネットワークでマシンを妥協する能力について、最先端のいくつかのFMを評価し、そのようなAIによる攻撃を倒す防御メカニズムを調査する。
  論文  参考訳（メタデータ） (2024-10-23T22:46:44Z)
• Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks [19.697853431302768]
  ディジタルツイン(DT)は、リアルタイム監視、予測、意思決定能力の向上を具現化する。 本研究では,分散ネットワークDTシステムにおけるセキュリティ上の課題について検討し,その後のネットワークアプリケーションの信頼性を損なう可能性がある。
  論文  参考訳（メタデータ） (2024-07-02T03:32:09Z)
• A Synergistic Approach In Network Intrusion Detection By Neurosymbolic AI [6.315966022962632]
  本稿では,ニューロシンボリック人工知能(NSAI)をネットワーク侵入検知システム(NIDS)に組み込む可能性について検討する。 NSAIは、ディープラーニングのデータ駆動の強みと、象徴的なAIの論理的推論を組み合わせて、サイバーセキュリティにおける動的な課題に取り組む。 NIDSにNSAIを組み込むことは、複雑なネットワーク脅威の検出と解釈の両方において、潜在的な進歩を示す。
  論文  参考訳（メタデータ） (2024-06-03T02:24:01Z)
• Utilizing Deep Learning for Enhancing Network Resilience in Finance [0.0]
  本稿では、金融業界の保護対策を改善するため、高度な脅威検出にディープラーニングを用いる。 検出技術は主に統計的機械学習手法を使用する。
  論文  参考訳（メタデータ） (2024-02-15T09:35:57Z)
• Learning to Detect: A Data-driven Approach for Network Intrusion Detection [17.288512506016612]
  ネットワークトラフィックデータセットであるNSL-KDDについて、パターンを可視化し、異なる学習モデルを用いてサイバー攻撃を検出することで包括的な研究を行う。 侵入検知に単一学習モデルアプローチを用いた従来の浅層学習モデルや深層学習モデルとは異なり、階層戦略を採用する。 バイナリ侵入検出タスクにおける教師なし表現学習モデルの利点を実証する。
  論文  参考訳（メタデータ） (2021-08-18T21:19:26Z)
• Security of Distributed Machine Learning: A Game-Theoretic Approach to Design Secure DSVM [31.480769801354413]
  この研究は、データ中毒やネットワーク攻撃から学習を保護するために、セキュアな分散アルゴリズムを開発することを目的としている。 我々は,分散サポートベクトルマシン(SVM)を使用する学習者と,トレーニングデータやラベルを変更することができる攻撃者の相反する目標を捉えるためのゲーム理論の枠組みを確立する。 数値的な結果から,分散SVMは異なるタイプの攻撃で失敗する傾向にあり,ネットワーク構造や攻撃能力に強い依存があることが分かる。
  論文  参考訳（メタデータ） (2020-03-08T18:54:17Z)

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。