論文の概要: Machine Learning for Network Attacks Classification and Statistical Evaluation of Machine Learning for Network Attacks Classification and Adversarial Learning Methodologies for Synthetic Data Generation

• arxiv url: http://arxiv.org/abs/2603.17717v1
• Date: Wed, 18 Mar 2026 13:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.727098
• Title: Machine Learning for Network Attacks Classification and Statistical Evaluation of Machine Learning for Network Attacks Classification and Adversarial Learning Methodologies for Synthetic Data Generation
• Title（参考訳）: ネットワーク攻撃分類のための機械学習と、ネットワーク攻撃分類のための機械学習の統計的評価と、合成データ生成のための逆学習手法
• Authors: Iakovos-Christos Zarkadis, Christos Douligeris,
• Abstract要約: ネットワーク攻撃の監視は、常にネットワーク侵入検知システム(NIDS)の重要な部分である。 本稿では,フローレベルデータ,パケットペイロード情報,時間的文脈的特徴を組み込んだ,最初の統合マルチモーダルNIDSデータセットの2つの課題に対処する。 最初のタスクでは、階層化されたクロスバリデーションを備えた機械学習(ML)アルゴリズムを使用して、安定性と信頼性を備えたネットワーク攻撃を防止する。 第2のタスクでは、逆学習アルゴリズムを使用して合成データを生成し、それらを実データと比較し、その忠実さ、実用性、プライバシを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised detection of network attacks has always been a critical part of network intrusion detection systems (NIDS). Nowadays, in a pivotal time for artificial intelligence (AI), with even more sophisticated attacks that utilize advanced techniques, such as generative artificial intelligence (GenAI) and reinforcement learning, it has become a vital component if we wish to protect our personal data, which are scattered across the web. In this paper, we address two tasks, in the first unified multi-modal NIDS dataset, which incorporates flow-level data, packet payload information and temporal contextual features, from the reprocessed CIC-IDS-2017, CIC-IoT-2023, UNSW-NB15 and CIC-DDoS-2019, with the same feature space. In the first task we use machine learning (ML) algorithms, with stratified cross validation, in order to prevent network attacks, with stability and reliability. In the second task we use adversarial learning algorithms to generate synthetic data, compare them with the real ones and evaluate their fidelity, utility and privacy using the SDV framework, f-divergences, distinguishability and non-parametric statistical tests. The findings provide stable ML models for intrusion detection and generative models with high fidelity and utility, by combining the Synthetic Data Vault framework, the TRTS and TSTR tests, with non-parametric statistical tests and f-divergence measures.
• Abstract（参考訳）: ネットワーク攻撃の監視は、ネットワーク侵入検知システム(NIDS)の重要な部分である。 今日では、人工知能(AI)にとって重要な時期であり、生成人工知能(GenAI)や強化学習といった高度な技術を利用したより高度な攻撃によって、Webに散らばっている個人情報を守りたい場合、それは重要な要素となっている。 本稿では,CIC-IDS-2017,CIC-IoT-2023,UNSW-NB15,CIC-DDoS-2019から,フローレベルデータ,パケットペイロード情報,時空間特徴を組み込んだ最初の統合マルチモーダルNIDSデータセットの2つの課題に対処する。 最初のタスクでは、階層化されたクロスバリデーションを備えた機械学習(ML)アルゴリズムを使用して、安定性と信頼性を備えたネットワーク攻撃を防止する。 第2のタスクでは、逆学習アルゴリズムを用いて合成データを生成し、それらを実データと比較し、SDVフレームワーク、f分割、識別可能性、非パラメトリック統計テストを用いてそれらの忠実度、実用性、プライバシーを評価する。 その結果,Synthetic Data Vault フレームワーク,TRTS および TSTR テスト,非パラメトリック統計テスト,f-分断測定を組み合わせた,侵入検出および生成モデルの安定なMLモデルが得られた。

関連論文リスト

• Unknown Attack Detection in IoT Networks using Large Language Models: A Robust, Data-efficient Approach [5.0363184281919215]
  既存の機械学習アプローチは、大きなラベル付きデータセット、ペイロードインスペクション、クローズドセットの分類に依存している。 我々は,未知の攻撃検出のためのトランスフォーマーベース言語モデルによって強化された,堅牢でデータ効率のよいSiamXBERTを提案する。 我々は、SiamXBERTが、内部データセットとクロスデータセット設定の両方で、最先端のベースラインを一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-12T17:15:39Z)
• 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)
• Towards Compositional Generalization in LLMs for Smart Contract Security: A Case Study on Reentrancy Vulnerabilities [35.39583123277091]
  本稿では,原子タスクの分解と融合に基づくポストトレーニングアルゴリズムを提案する。 再帰的脆弱性検出タスクを4つの線形独立原子タスクに分解する。 合成データセットのトレーニングにより、3つのコンパイラ検証データセットを生成する。 次に、Slitherツールを使用して、制御フローグラフとデータフローグラフから構造情報を抽出する。
  論文  参考訳（メタデータ） (2026-01-11T13:52:07Z)
• Binary and Multiclass Cyberattack Classification on GeNIS Dataset [1.5440182356262886]
  本研究では,AIに基づくNIDSのためのGeNISデータセットの信頼性を実験的に検証する。 3つの決定木アンサンブルと2つのディープニューラルネットワークがバイナリとマルチクラスの分類タスクのために訓練された。 全てのモデルは高い精度とF1スコアに達し、MLアンサンブルはDLモデルよりも若干優れた一般化を実現した。
  論文  参考訳（メタデータ） (2025-11-11T15:46:14Z)
• Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Unlearning Completeness [30.596695293390415]
  補間近似測定(Interpolated Approximate Measurement, IAM)は、非学習推論用に設計されたフレームワークである。 IAMは、クエリされたサンプルに対するモデルの一般化適合行動ギャップを補間することにより、サンプルレベルの未学習完全性を定量化する。 IAMを最近の近似アンラーニングアルゴリズムに適用し、オーバーアンラーニングとアンダーアンラーニングの両方のリスクを明らかにする。
  論文  参考訳（メタデータ） (2025-06-06T14:22:18Z)
• On the Cross-Dataset Generalization of Machine Learning for Network Intrusion Detection [50.38534263407915]
  ネットワーク侵入検知システム(NIDS)はサイバーセキュリティの基本的なツールである。 多様なネットワークにまたがる一般化能力は、その有効性と現実のアプリケーションにとって必須の要素である。 本研究では,機械学習に基づくNIDSの一般化に関する包括的分析を行う。
  論文  参考訳（メタデータ） (2024-02-15T14:39:58Z)
• Evaluating ML-Based Anomaly Detection Across Datasets of Varied Integrity: A Case Study [0.0]
  そこで我々は,NFStreamを用いて処理したCICIDS-2017データセットの2つの改良版を紹介した。 我々の研究は、元のCICIDS-2017、改良されたWTMC-2021とCRiSIS-2022、およびNFStream生成データセットに対するランダムフォレスト(RF)アルゴリズムのパフォーマンスを対照的にしている。 RFモデルは、基礎となるデータセットの品質に関わらず、一貫した高性能なメトリクスを達成し、例外的な堅牢性を示す。
  論文  参考訳（メタデータ） (2024-01-30T09:34:15Z)
• NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
  ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。 我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
  論文  参考訳（メタデータ） (2022-02-20T17:41:02Z)
• 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)
• Robust Self-Ensembling Network for Hyperspectral Image Classification [38.84831094095329]
  この問題に対処するために,ロバストな自己認識ネットワーク(RSEN)を提案する。 rsenはベースネットワークとアンサンブルネットワークを含む2つのワークから成り立っている。 提案アルゴリズムは, 最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2021-04-08T13:33:14Z)
• 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。