論文の概要: BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection

• arxiv url: http://arxiv.org/abs/2604.11324v1
• Date: Mon, 13 Apr 2026 11:25:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.501092
• Title: BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection
• Title（参考訳）: BRIDGEとTH-Net: クロスドメインIoTボットネット検出のための異種ベンチマークとマルチブランチベースライン
• Authors: Ammar Bhilwarawala, Likhamba Rongmei, Harsh Sharma, Arya Jena, Kaushal Singh, Jayashree Piri, Raghunath Dey,
• Abstract要約: IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。 BRIDGEは、IoT侵入検知のための、初めて公式に指定された異種マルチデータセットベンチマークである。 我々は,LODO F1 = 0.5577 において,単一ベンチマーク最適化からクロス環境一般化へとアジェンダをシフトさせる最初のコミュニティ一般化ベースラインを確立する。
• 参考スコア（独自算出の注目度）: 1.2019888796331233
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IoT botnet detection has advanced, yet most published systems are validated on a single dataset and rarely generalise across environments. Heterogeneous feature spaces make multi-dataset training practically impossible without discarding semantic interpretability or introducing data integrity violations. No prior work has addressed both problems with a formally specified, reproducible methodology. This paper does. We introduce BRIDGE (Benchmark Reference for IoT Domain Generalisation Evaluation), the first formally specified heterogeneous multi-dataset benchmark for IoT intrusion detection, unifying CICIDS-2017, CIC-IoT-2023, Bot-IoT, Edge-IIoTset, and N-BaIoT through a 46-feature semantic canonical vocabulary grounded in CICFlowMeter nomenclature, with genuine-equivalence-only feature mapping, explicit zero-filling, and per-dataset coverage from 15% to 93%. A leave-one-dataset-out (LODO) protocol makes the generalisation gap precisely measurable: all five evaluated architectures achieve mean LODO F1 between 0.39 and 0.47, and we establish the first community generalisation baseline at mean LODO F1 = 0.5577, a result that shifts the agenda from single-benchmark optimisation toward cross-environment generalisation. We propose TCH-Net, a multi-branch network fusing a three-path Temporal branch (residual convolutional-BiGRU, stride-downsampled BiGRU, pre-LayerNorm Transformer), a provenance-conditioned Contextual branch, and a Statistical branch via Cross-Branch Gated Attention Fusion (CB-GAF) with learnable sigmoid gates for dynamic feature-wise mixing. Across five random seeds, TCH-Net achieves F1 = 0.8296 +/- 0.0028, AUC = 0.9380 +/- 0.0025, and MCC = 0.6972 +/- 0.0056, outperforming all twelve baselines (p < 0.05, Wilcoxon) and recording the highest LODO F1 overall. BRIDGE and the full pipeline are at https://github.com/Ammar-ss/TCH-Net.
• Abstract（参考訳）: IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。 不均一な特徴空間は、意味論的解釈可能性を捨てたり、データの完全性に違反することなしに、マルチデータセットのトレーニングを事実上不可能にする。 公式に定義された再現可能な方法論で、両方の問題に対処する以前の作業はない。 この論文は有ります。 BRIDGE (Benchmark Reference for IoT Domain Generalization Evaluation) は、CICIDS-2017, CIC-IoT-2023, Bot-IoT, Edge-IIoTset, N-Ba IoTを、CICFlowMeterノメンクレチャにベースとした46種類のセマンティックな語彙で、真に等価な機能マッピング、明示的なゼロフィリング、データセット毎のカバレッジを15%から93%に向上した、IoT侵入検出のための、初めて公式に定義されたヘテロジニアスなマルチデータセットベンチマークである。 5つの評価されたアーキテクチャが平均LODO F1を0.39から0.47の間に達成し、平均LODO F1 = 0.5577で最初のコミュニティ一般化ベースラインを確立する。 我々は,3経路の時間枝(残差畳み込みBiGRU,ストライドダウンサンプリングBiGRU,プレレイヤノーム変換器)を融合したマルチブランチネットワークTCH-Netと,動的特徴量混合のためのシグミドゲートを備えたクロスブランチGated Attention Fusion (CB-GAF)による統計的分岐を提案する。 TCH-Netは5つのランダムシードに対してF1 = 0.8296 +/- 0.0028, AUC = 0.9380 +/- 0.0025, MCC = 0.6972 +/- 0.0056を達成し、全12基数(p < 0.05, Wilcoxon)を上回っ、LODO F1の最高値を記録した。 BRIDGEと完全なパイプラインはhttps://github.com/Ammar-ss/TCH-Netにある。

関連論文リスト

• R2G: A Multi-View Circuit Graph Benchmark Suite from RTL to GDSII [14.790942679912595]
  R2Gは5つのステージ認識ビューを情報同値で標準化するマルチビューサーキットグラフベンチマークスイートである。 R2Gは、合成、配置、ルーティングステージにまたがるエンドツーエンドのDEF-to-graphパイプラインを提供する。
  論文  参考訳（メタデータ） (2026-04-09T22:59:27Z)
• EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks [0.5653106385738822]
  本稿では,プロアクティブサプライチェーンリスク管理のためのハイブリッドディープラーニングフレームワークを提案する。 提案手法は,軽量な Transformer patch encoder を用いて時間次数フローのダイナミクスを共同でモデル化する。 このフレームワークは0.0089のクロスシードF1標準偏差を示しており、最高の改良版よりも3.8倍改善されている。
  論文  参考訳（メタデータ） (2026-04-06T23:35:15Z)
• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• A Comprehensive Forecasting-Based Framework for Time Series Anomaly Detection: Benchmarking on the Numenta Anomaly Benchmark (NAB) [0.0]
  時系列異常検出は、現代のデジタルインフラにとって重要である。 本稿では,従来の手法をディープラーニングアーキテクチャと統合した予測ベースのフレームワークを提案する。 Numenta Anomaly Benchmark の最初の完全評価を行う。
  論文  参考訳（メタデータ） (2025-10-13T08:31:42Z)
• Benchmarking Federated Learning for Throughput Prediction in 5G Live Streaming Applications [5.026196568145574]
  本稿では,現実的な5Gエッジシナリオにおけるスループット予測のためのフェデレーション学習戦略の総合的なベンチマークを行う。 FedBNは、非IID条件下で一貫してロバストな性能を提供する。 LSTMとTransformerモデルは、CNNベースのベースラインを最大80%のR2スコアで上回る。
  論文  参考訳（メタデータ） (2025-08-11T21:27:40Z)
• LLM-Based Emulation of the Radio Resource Control Layer: Towards AI-Native RAN Protocols [28.04609776570199]
  大型AIモデル(LAM)はAI-Native Air Interface(AI-AI)の重要な実現要因である 本稿では,デコーダのみのLAMを用いた無線リソース制御層の最初の標準準拠エミュレーションを提案する。 その結果,LSMをプロトコル対応推論で拡張すると,制御プレーンの手順を直接オーケストレーションできることがわかった。
  論文  参考訳（メタデータ） (2025-05-22T15:55:56Z)
• Upcycling Models under Domain and Category Shift [95.22147885947732]
  グローバルかつ局所的なクラスタリング学習技術(GLC)を導入する。 我々は、異なる対象クラス間での区別を実現するために、新しい1-vs-allグローバルクラスタリングアルゴリズムを設計する。 注目すべきは、最も困難なオープンパーティルセットDAシナリオにおいて、GLCは、VisDAベンチマークでUMADを14.8%上回っていることである。
  論文  参考訳（メタデータ） (2023-03-13T13:44:04Z)
• Global Context Vision Transformers [78.5346173956383]
  我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。 本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。 提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-06-20T18:42:44Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• ReActNet: Towards Precise Binary Neural Network with Generalized Activation Functions [76.05981545084738]
  本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。 まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。 提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-07T02:12:02Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。