論文の概要: Interpretable Ensemble Learning for Network Traffic Anomaly Detection: A SHAP-based Explainable AI Framework for Embedded Systems Security

• arxiv url: http://arxiv.org/abs/2603.28654v1
• Date: Mon, 30 Mar 2026 16:40:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.514156
• Title: Interpretable Ensemble Learning for Network Traffic Anomaly Detection: A SHAP-based Explainable AI Framework for Embedded Systems Security
• Title（参考訳）: ネットワークトラフィック異常検出のための解釈可能なアンサンブル学習:組み込みシステムセキュリティのためのSHAPベースの説明可能なAIフレームワーク
• Authors: Wanru Shao,
• Abstract要約: 本稿では,ネットワークトラフィックにおけるロバストな異常検出のための,アンサンブル学習手法と説明可能な人工知能(XAI)技術を組み合わせたフレームワークを提案する。 我々は、実世界のネットワークトラフィックデータセット上でランダムフォレスト、グラディエントブースティング、サポートベクトルマシン、アンサンブルメソッドを含む複数の機械学習モデルを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network security threats in embedded systems pose significant challenges to critical infrastructure protection. This paper presents a comprehensive framework combining ensemble learning methods with explainable artificial intelligence (XAI) techniques for robust anomaly detection in network traffic. We evaluate multiple machine learning models including Random Forest, Gradient Boosting, Support Vector Machines, and ensemble methods on a real-world network traffic dataset containing 19 features derived from packet-level and frequency domain characteristics. Our experimental results demonstrate that ensemble methods achieve superior performance, with Random Forest attaining 90% accuracy and an AUC of 0.617 on validation data. Furthermore, we employ SHAP (SHapley Additive exPlanations) analysis to provide interpretable insights into model predictions, revealing that packet_count_5s,inter_arrival_time, and spectral_entropy are the most influential features for anomaly detection. The integration of XAI techniques enhances model trustworthiness and facilitates deployment in security-critical embedded systems where interpretability is paramount.
• Abstract（参考訳）: 組み込みシステムにおけるネットワークセキュリティの脅威は、重要なインフラストラクチャ保護に重大な課題をもたらす。 本稿では,アンサンブル学習手法と説明可能な人工知能(XAI)技術を組み合わせて,ネットワークトラフィックにおけるロバストな異常検出を行う包括的フレームワークを提案する。 我々は,ランダムフォレスト,グラディエントブースティング,サポートベクトルマシン,およびアンサンブル手法を含む複数の機械学習モデルを,パケットレベルおよび周波数領域特性から導出した19の特徴を含む実世界のネットワークトラフィックデータセット上で評価した。 実験の結果,ランダムフォレストが90%,AUCが0.617であり,アンサンブル法が優れた性能を発揮することが示された。 さらに、SHAP(SHapley Additive exPlanations)分析を用いて、モデル予測の解釈可能な洞察を提供し、Packer_count_5s、inter_arrival_time、Spectrum_entropyが異常検出に最も影響を及ぼす特徴であることを明らかにした。 XAI技術の統合により、モデルの信頼性が向上し、インタープリタビリティが最重要となるセキュリティクリティカルな組み込みシステムへのデプロイが容易になる。

関連論文リスト

• 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)
• Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
  自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。 本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-30T17:58:01Z)
• FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network [7.30584204219718]
  IoT(Internet of Things)環境では、多数のデバイス間の継続的なインタラクションによって複雑な動的ネットワークトラフィックが生成される。 機械学習(ML)ベースのトラフィック検出技術は、ネットワークセキュリティを確保する上で重要なコンポーネントである。
  論文  参考訳（メタデータ） (2025-09-25T07:52:58Z)
• Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
  計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。 ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。 我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
  論文  参考訳（メタデータ） (2025-02-18T02:26:50Z)
• XAI-based Feature Ensemble for Enhanced Anomaly Detection in Autonomous Driving Systems [1.3022753212679383]
  本稿では,複数の Explainable AI (XAI) メソッドを統合する新しい機能アンサンブルフレームワークを提案する。 このフレームワークは、6つの多様なAIモデルにまたがって、これらのXAIメソッドによって識別されるトップ機能を融合することによって、異常の検出に不可欠な堅牢で包括的な機能のセットを生成する。 我々の技術は、AIモデルの精度、堅牢性、透明性の向上を示し、より安全で信頼性の高い自動運転システムに貢献します。
  論文  参考訳（メタデータ） (2024-10-20T14:34:48Z)
• Open-Set Deepfake Detection: A Parameter-Efficient Adaptation Method with Forgery Style Mixture [81.93945602120453]
  本稿では,顔偽造検出に汎用的かつパラメータ効率の高い手法を提案する。 フォージェリー・ソース・ドメインの多様性を増大させるフォージェリー・ミックス・フォーミュレーションを設計する。 設計したモデルは、トレーニング可能なパラメータを著しく減らし、最先端の一般化性を実現する。
  論文  参考訳（メタデータ） (2024-08-23T01:53:36Z)
• Distributionally Robust Statistical Verification with Imprecise Neural Networks [3.9456691693452552]
  AI安全性における特に困難な問題は、高次元自律システムの振る舞いを保証することだ。 本稿では,確率の概念を用いた不確実性定量化に基づく新しい手法を提案する。 提案手法は高次元システムに対して有用かつスケーラブルな保証を提供できることを示す。
  論文  参考訳（メタデータ） (2023-08-28T18:06:24Z)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。