論文の概要: GMA-SAWGAN-GP: A Novel Data Generative Framework to Enhance IDS Detection Performance

• arxiv url: http://arxiv.org/abs/2603.28838v1
• Date: Mon, 30 Mar 2026 14:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:02.570086
• Title: GMA-SAWGAN-GP: A Novel Data Generative Framework to Enhance IDS Detection Performance
• Title（参考訳）: GMA-SAWGAN-GP: IDS検出性能を高める新しいデータ生成フレームワーク
• Authors: Ziyu Mu, Xiyu Shi, Safak Dogan,
• Abstract要約: 侵入検知システム(IDS)は、しばしば既知の攻撃に校正され、未知の脅威に悪影響を及ぼす。 本稿では,GMA-SAWGAN-GPを提案する。
• 参考スコア（独自算出の注目度）: 0.2530367162206854
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrusion Detection System (IDS) is often calibrated to known attacks and generalizes poorly to unknown threats. This paper proposes GMA-SAWGAN-GP, a novel generative augmentation framework built on a Self-Attention-enhanced Wasserstein GAN with Gradient Penalty (WGAN-GP). The generator employs Gumbel-Softmax regularization to model discrete fields, while a Multilayer Perceptron (MLP)-based AutoEncoder acts as a manifold regularizer. A lightweight gating network adaptively balances adversarial and reconstruction losses via entropy regularization, improving stability and mitigating mode collapse. The self-attention mechanism enables the generator to capture both short- and long-range dependencies among features within each record while preserving categorical semantics through Gumbel-Softmax heads. Extensive experiments on NSL-KDD, UNSW-NB15, and CICIDS2017 using five representative IDS models demonstrate that GMA-SAWGAN-GP significantly improves detection performance on known attacks and enhances generalization to unknown attacks. Leave-One-Attack-type-Out (LOAO) evaluations using Area Under the Receiver Operating Characteristic (AUROC) and True Positive Rate at a 5 percent False Positive Rate confirm that IDS models trained on augmented datasets achieve higher robustness under unseen attack scenarios. Ablation studies validate the contribution of each component to performance gains. Compared with baseline models, the proposed framework improves binary classification accuracy by an average of 5.3 percent and multi-classification accuracy by 2.2 percent, while AUROC and True Positive Rate at a 5 percent False Positive Rate for unknown attacks increase by 3.9 percent and 4.8 percent, respectively, across the three datasets. Overall, GMA-SAWGAN-GP provides an effective approach to generative augmentation for mixed-type network traffic, improving IDS accuracy and resilience.
• Abstract（参考訳）: 侵入検知システム(IDS)は、しばしば既知の攻撃に校正され、未知の脅威に悪影響を及ぼす。 本稿では,GMA-SAWGAN-GPを提案する。 ジェネレータはGumbel-Softmax正規化を使用して離散フィールドをモデル化し、Multilayer Perceptron (MLP)ベースのAutoEncoderは多様体正規化器として機能する。 軽量ゲーティングネットワークは、エントロピー正則化による対向損失と復元損失を適応的にバランスさせ、安定性を改善し、緩和モードの崩壊を緩和する。 自己アテンション機構により、ジェネレータはGumbel-Softmaxヘッドを通じてカテゴリセマンティクスを保持しながら、各レコード内の機能間の短距離および長距離の依存関係をキャプチャすることができる。 NSL-KDD、UNSW-NB15、CICIDS2017の5つの代表的なIDSモデルを用いた大規模な実験により、GMA-SAWGAN-GPは既知の攻撃に対する検出性能を大幅に改善し、未知の攻撃に対する一般化を促進することが示された。 AUROC(Area Under the Receiver Operating Characteristics)とTrue Positive Rate(True Positive Rate)を用いたLeave-One-Attack-type-Out (LOAO)評価では、拡張データセットでトレーニングされたIDSモデルが、目に見えない攻撃シナリオ下で高い堅牢性を達成することを確認した。 アブレーション研究は、各コンポーネントのパフォーマンス向上への貢献を検証する。 ベースラインモデルと比較して、提案フレームワークは、平均5.3%、多重分類精度2.2%、未知の攻撃に対するAUROCとTrue Positive Rateは、それぞれ3つのデータセットで3.9%と4.8%に増加した。 全体として、GMA-SAWGAN-GPは、混合型ネットワークトラフィックに対する生成拡張に対する効果的なアプローチを提供し、IDSの精度とレジリエンスを向上させる。

関連論文リスト

• A Novel Solution for Zero-Day Attack Detection in IDS using Self-Attention and Jensen-Shannon Divergence in WGAN-GP [0.2530367162206854]
  サイバー脅威、特にゼロデイ攻撃は、サイバーセキュリティに重大な課題をもたらす。 既存のアプローチでパッチをパッチし、侵入検知システム(IDS)をデプロイする 本稿では,ゼロデイパターンを模倣したネットワークトラフィックの合成を提案する。
  論文  参考訳（メタデータ） (2026-03-19T17:51:08Z)
• FGGM: Fisher-Guided Gradient Masking for Continual Learning [57.56585138260662]
  破滅的な忘れ物は、大きな言語モデルの継続的な学習を損なう。 我々は、対角的なフィッシャー情報を用いて、更新のためのパラメータを戦略的に選択することでこれを緩和するフレームワークであるFisher-Guided Gradient Masking (FGGM)を提案する。
  論文  参考訳（メタデータ） (2026-01-26T08:35:34Z)
• Smooth Operator: Smooth Verifiable Reward Activates Spatial Reasoning Ability of Vision-Language Model [18.526821056010384]
  視覚言語モデル(VLM)は、3次元シーン理解のための正確な数値予測を実現する上で重要なボトルネックに直面している。 伝統的な強化学習アプローチは、主に相対的なランクに基づいており、しばしば深刻な報酬の分散と勾配不安定に悩まされる。 本稿では,Smooth Numerical Reward Activation (SNRA)演算子とAbsolute-Preserving GRPOフレームワークを紹介する。
  論文  参考訳（メタデータ） (2026-01-12T16:26:42Z)
• Hybrid Reputation Aggregation: A Robust Defense Mechanism for Adversarial Federated Learning in 5G and Edge Network Environments [0.0]
  5Gおよびエッジネットワーク環境におけるフェデレートラーニング(FL)は、敵のクライアントによる深刻なセキュリティ脅威に直面します。 本稿では,攻撃タイプを事前に知ることなく,FLにおける敵の動作を防御する,新しいロバストアグリゲーション機構であるHybrid Reputation Aggregation(HRA)を紹介する。 HRAは、幾何学的異常検出と、モーメントに基づくクライアントの評判追跡を組み合わせる。
  論文  参考訳（メタデータ） (2025-09-22T17:18:59Z)
• ARGOS: Anomaly Recognition and Guarding through O-RAN Sensing [3.018691733760647]
  ローグ基地局(RBS)の攻撃、特にダウングレード脆弱性を悪用した攻撃は、引き続き永続的な脅威である。 本研究は、近リアルタイムRIC内に展開された総合的なO-RAN準拠侵入検知システム(IDS)であるARGOSを紹介する。 ARGOSは、O-RANコンテキスト内で探索されていない領域であるRBSのダウングレード攻撃を、リアルタイムで検出する。
  論文  参考訳（メタデータ） (2025-06-07T20:32:23Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• GReAT: A Graph Regularized Adversarial Training Method [0.0]
  GReAT(Graph Regularized Adversarial Training)は、ディープラーニングモデルの堅牢な分類性能を高めるために設計された、新しい正規化手法である。 GReATはグラフベースの正規化を敵のトレーニングプロセスに統合し、データ固有の構造を活用してモデルの堅牢性を高める。
  論文  参考訳（メタデータ） (2023-10-09T01:44:06Z)
• GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
  GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。 我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
  論文  参考訳（メタデータ） (2023-04-19T14:58:27Z)

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。