論文の概要: Robust Semi-Supervised Temporal Intrusion Detection for Adversarial Cloud Networks
- arxiv url: http://arxiv.org/abs/2604.12655v1
- Date: Tue, 14 Apr 2026 12:23:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.437944
- Title: Robust Semi-Supervised Temporal Intrusion Detection for Adversarial Cloud Networks
- Title（参考訳）: 対向クラウドネットワークにおけるロバスト半監督時空間侵入検出
- Authors: Anasuya Chattopadhyay, Daniel Reti, Hans D. Schotten,
- Abstract要約: 本稿では,クラウド侵入検出のための頑健な半教師付き時間学習フレームワークを提案する。
信頼できないサンプルを抑えながら、ラベルのないトラフィックを利用する。
それは、最先端の教師付きおよび半教師付きネットワーク侵入検知システムより一貫して優れている。
- 参考スコア（独自算出の注目度）: 4.040477308370048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cloud networks increasingly rely on machine learning based Network Intrusion Detection Systems to defend against evolving cyber threats. However, real-world deployments are challenged by limited labeled data, non-stationary traffic, and adaptive adversaries. While semi-supervised learning can alleviate label scarcity, most existing approaches implicitly assume benign and stationary unlabeled traffic, leading to degraded performance in adversarial cloud environments. This paper proposes a robust semi-supervised temporal learning framework for cloud intrusion detection that explicitly addresses adversarial contamination and temporal drift in unlabeled network traffic. Operating on flow-level data, this framework combines supervised learning with consistency regularization, confidence-aware pseudo-labeling, and selective temporal invariance to conservatively exploit unlabeled traffic while suppressing unreliable samples. By leveraging the temporal structure of network flows, the proposed method improves robustness and generalization across heterogeneous cloud environments. Extensive evaluations on publicly available datasets (CIC-IDS2017, CSE-CIC-IDS2018, and UNSW-NB15) under limited-label conditions demonstrate that the proposed framework consistently outperforms state-of-the-art supervised and semi-supervised network intrusion detection systems in detection performance, label efficiency, and resilience to adversarial and non-stationary traffic.
- Abstract（参考訳）: クラウドネットワークは、進化するサイバー脅威から守るために、機械学習ベースのNetwork Intrusion Detection Systemsにますます依存している。
しかし、現実世界のデプロイメントは、ラベル付きデータ、非定常トラフィック、適応的な敵によって挑戦されている。
半教師付き学習はラベルの不足を軽減することができるが、既存のほとんどのアプローチでは、良質で定常的な未ラベルのトラフィックを暗黙的に仮定し、敵のクラウド環境における性能の低下につながっている。
本稿では,非ラベルネットワークトラフィックにおける対向性汚染と時間的ドリフトに明示的に対処する,クラウド侵入検出のための頑健な半教師付き時間学習フレームワークを提案する。
このフレームワークは、フローレベルのデータを操作することにより、教師あり学習と一貫性の正則化、信頼を意識した擬似ラベル付け、選択的時間的不変性を組み合わせて、信頼できないサンプルを抑えながら、ラベルなしトラフィックを保守的に活用する。
ネットワークフローの時間構造を活用することにより,異種クラウド環境におけるロバスト性や一般化を向上する。
公開データセット(CIC-IDS2017, CSE-CIC-IDS2018, UNSW-NB15)の限定ラベル条件下での広範囲な評価により、提案フレームワークは、検出性能、ラベル効率、非定常トラフィックに対するレジリエンスにおいて、最先端の教師付きおよび半教師付きネットワーク侵入検知システムより一貫して優れていることが示された。
関連論文リスト
- Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。
この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。
また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
論文 参考訳（メタデータ） (2026-03-26T18:42:57Z) - Toward Real-World IoT Security: Concept Drift-Resilient IoT Botnet Detection via Latent Space Representation Learning and Alignment [2.5782420501870296]
本稿では,適応型IoT脅威検出のためのスケーラブルなフレームワークを提案する。
アライメントモデルは、入力したトラフィックを、分類の前に学習された歴史的潜在空間にマッピングする。
攻撃サンプル間のインスタンス間関係をキャプチャするために、低次元の潜在表現をグラフ構造化形式に変換する。
論文 参考訳（メタデータ） (2025-12-27T06:13:19Z) - Graph Neural Network Based Adaptive Threat Detection for Cloud Identity and Access Management Logs [0.0]
本稿では,グラフニューラルネットワークを用いたアダプティブ脅威検出フレームワークを提案する。
IAM監査パスから潜伏したユーザリソースのインタラクションパターンをリアルタイムで学習する。
論文 参考訳（メタデータ） (2025-12-11T04:44:02Z) - 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) - Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings [1.441946602098626]
フェデレートラーニング(FL)は、複数のクライアントにわたるMLモデルの協調トレーニングを可能にする新しいパラダイムとして登場した。
本研究は、DDoS攻撃に対する侵入検知の文脈において、FL法を体系的に評価し、評価する。
我々の知る限りでは、現実的な非i.d.とアンバランスな設定下での侵入検出のためのFLアルゴリズムの比較分析はこれが初めてである。
論文 参考訳（メタデータ） (2025-09-22T14:25:32Z) - A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles [1.6017263994482716]
Internet of Vehicles(IoV)は、スプーフィングやDistributed Denial of Services(DDoS)攻撃からマルウェアまで、さまざまなサイバー脅威にさらされている。
IoVエコシステムを侵入、悪意のある活動、ポリシー違反、侵入検知システム(IDS)から保護するためには、ネットワークトラフィックを継続的に監視・分析し、潜在的脅威をリアルタイムに特定・緩和することで重要な役割を果たす。
本稿では,IoVネットワークに適した効果的な階層型分類フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-22T04:30:26Z) - Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - A Hierarchical Framework with Spatio-Temporal Consistency Learning for Emergence Detection in Complex Adaptive Systems [41.055298739292695]
複雑な適応システムのグローバルな特性であるEmergenceは、例えばネットワークレベルのトラフィック混雑など、現実世界の動的システムで広く利用されている。
本稿では,システム表現とエージェント表現を学習することで,これら2つの問題を解決するために,CASの時間的一貫性を備えた階層型フレームワークを提案する。
提案手法は,3つのデータセットに対する従来の手法や深層学習法よりも,検出の難しい動作をよく知ることができる。
論文 参考訳（メタデータ） (2024-01-18T08:55:05Z) - Certifiable Robustness to Adversarial State Uncertainty in Deep
Reinforcement Learning [40.989393438716476]
ディープニューラルネットワークベースのシステムは、現在では多くのロボティクスタスクにおいて最先端のシステムとなっているが、ネットワークの堅牢性に関する公式な保証なしに、安全クリティカルドメインへの適用は危険なままである。
センサー入力に対する小さな摂動は、しばしばネットワークベースの決定を変えるのに十分である。
この研究は、認証された敵対的ロバスト性の研究を活用して、深い強化学習アルゴリズムのためのオンラインロバストを開発する。
論文 参考訳（メタデータ） (2020-04-11T21:36:13Z)
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。