論文の概要: Detecting Sentiment Steering Attacks on RAG-enabled Large Language Models

• arxiv url: http://arxiv.org/abs/2603.16342v1
• Date: Tue, 17 Mar 2026 10:18:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:07.217293
• Title: Detecting Sentiment Steering Attacks on RAG-enabled Large Language Models
• Title（参考訳）: RAG対応大規模言語モデルにおける知覚ステアリング攻撃の検出
• Authors: Isha Andrade, Shalaka S Mahadik, Mithun Mukherjee, Pranav M Pawar, Raja Muthalagu,
• Abstract要約: 本研究は,2つの軽量深層学習(DL)に基づく知的侵入検知システム(IDS)を提案する。 提案されたCNNベースのIDSは99.34%、99.02%、98.6%の精度を達成し、LSTMベースのIDSは99.42%、99.13%、98.68%の精度を達成している。
• 参考スコア（独自算出の注目度）: 9.963239169453102
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The proliferation of large-scale IoT networks has been both a blessing and a curse. Not only has it revolutionized the way organizations operate by increasing the efficiency of automated procedures, but it has also simplified our daily lives. However, while IoT networks have improved convenience and connectivity, they have also increased security risk due to unauthorized devices gaining access to these networks and exploiting existing weaknesses with specific attack types. The research proposes two lightweight deep learning (DL)-based intelligent intrusion detection systems (IDS). to enhance the security of IoT networks: the proposed convolutional neural network (CNN)-based IDS and the proposed long short-term memory (LSTM)-based IDS. The research evaluated the performance of both intelligent IDSs based on DL using the CICIoT2023 dataset. DL-based intelligent IDSs successfully identify and classify various cyber threats using binary, grouped, and multi-class classification. The proposed CNN-based IDS achieves an accuracy of 99.34%, 99.02% and 98.6%, while the proposed LSTM-based IDS achieves an accuracy of 99.42%, 99.13%, and 98.68% for binary, grouped, and multi-class classification, respectively.
• Abstract（参考訳）: 大規模なIoTネットワークの普及は、祝福と呪いの両方でした。 自動化手順の効率を向上することで、組織の運営方法に革命をもたらしただけでなく、私たちの日常生活を簡素化したのです。 しかし、IoTネットワークは利便性と接続性を改善しているが、これらのネットワークにアクセスし、特定の攻撃タイプで既存の弱点を悪用するため、セキュリティリスクも増大している。 本研究は,2つの軽量深層学習(DL)に基づく知的侵入検知システム(IDS)を提案する。 IoTネットワークのセキュリティを強化するために、提案された畳み込みニューラルネットワーク(CNN)ベースのIDSと、提案されたLSTMベースの長期メモリ(LSTM)ベースのIDS。 CICIoT2023データセットを用いたDLに基づく知的IDSの性能評価を行った。 DLベースのインテリジェントIDSは、バイナリ、グループ化、マルチクラス分類を使用して、様々なサイバー脅威を特定し分類することに成功した。 提案されたCNNベースのIDSは99.34%、99.02%、98.6%の精度を達成し、LSTMベースのIDSは99.42%、99.13%、98.68%の精度を達成している。

関連論文リスト

• Neurosymbolic Learning for Advanced Persistent Threat Detection under Extreme Class Imbalance [29.991707658663188]
  本稿では,最適化されたBERTモデルと論理テンソルネットワーク(LTN)を統合し,無線IoTネットワークにおける説明可能なAPT検出を実現するニューロシンボリックアーキテクチャを提案する。 その結果, ニューロシンボリック学習はIoTネットワーク監視アーキテクチャの高性能, 解釈可能, 動作可能なAPT検出を可能にすることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T04:25:50Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• 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)
• 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)
• A Conditional Tabular GAN-Enhanced Intrusion Detection System for Rare Attacks in IoT Networks [1.1970409518725493]
  モノのインターネット(IoT)ネットワークは、6G技術によって強化され、さまざまな産業に変化をもたらしている。 彼らの普及は、特に稀だが潜在的に破壊的なサイバー攻撃を検出する際に、重大なセキュリティリスクをもたらす。 従来のIDSは、IoTデータの深刻なクラス不均衡により、まれな攻撃を検出するのに苦労することが多い。
  論文  参考訳（メタデータ） (2025-02-09T21:13:11Z)
• Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
  侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。 軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-04T20:36:21Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and Multispectral Data Fusion [54.668445421149364]
  HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。 本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
  論文  参考訳（メタデータ） (2023-10-11T07:30:37Z)
• 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)
• Automated Identification of Vulnerable Devices in Networks using Traffic Data and Deep Learning [30.536369182792516]
  脆弱性データベースのデータと組み合わせたデバイスタイプの識別は、ネットワーク内の脆弱なiotデバイスを特定できる。 信頼性の高いIoTデバイスタイプ識別のための2つの深層学習手法を提案し,評価する。
  論文  参考訳（メタデータ） (2021-02-16T14:49:34Z)

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。