論文の概要: MLDAS: Machine Learning Dynamic Algorithm Selection for Software-Defined Networking Security
- arxiv url: http://arxiv.org/abs/2604.14957v1
- Date: Thu, 16 Apr 2026 12:53:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.899264
- Title: MLDAS: Machine Learning Dynamic Algorithm Selection for Software-Defined Networking Security
- Title（参考訳）: MLDAS: ソフトウェア定義ネットワークセキュリティのための機械学習動的アルゴリズムの選択
- Authors: Pablo Benlloch, Oscar Romero, Antonio Leon, Jaime Lloret,
- Abstract要約: 本稿では,機械学習アルゴリズムとSDN(Software-Defined Networking)コントローラの動的統合について検討する。
提案手法は,観測されたネットワークトラフィックの特性に基づいて,最適なMLアルゴリズムを動的に選択することを可能にする。
- 参考スコア（独自算出の注目度）: 4.262842139213901
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network security is a critical concern in the digital landscape of today, with users demanding secure browsing experiences and protection of their personal data. This study explores the dynamic integration of Machine Learning (ML) algorithms with Software-Defined Networking (SDN) controllers to enhance network security through adaptive decision mechanisms. The proposed approach enables the system to dynamically choose the most suitable ML algorithm based on the characteristics of the observed network traffic. This work examines the role of Intrusion Detection Systems (IDS) as a fundamental component of secure communication networks and discusses the limitations of SDN-based attack detection mechanisms. The proposed framework uses adaptive model selection to maintain reliable intrusion detection under varying network conditions. The study highlights the importance of analyzing traffic-type-based metrics to define effective classification rules and enhance the performance of ML models. Additionally, it addresses the risks of overfitting and underfitting, underscoring the critical role of hyperparameter tuning in optimizing model accuracy and generalization. The central contribution of this work is an automated mechanism that adaptively selects the most suitable ML algorithm according to real-time network conditions, prioritizing detection robustness and operational feasibility within SDN environments.
- Abstract（参考訳）: ネットワークのセキュリティは今日のデジタルの世界において重要な関心事であり、ユーザーはセキュアなブラウジング体験と個人情報の保護を要求している。
本研究では,機械学習(ML)アルゴリズムとSDN(Software-Defined Networking)コントローラの動的統合について検討し,適応的決定機構を通じてネットワークセキュリティを向上させる。
提案手法は,観測されたネットワークトラフィックの特性に基づいて,最適なMLアルゴリズムを動的に選択することを可能にする。
本研究では,セキュア通信ネットワークの基本コンポーネントとして,侵入検知システム(IDS)が果たす役割について検討し,SDNベースの攻撃検知機構の限界について考察する。
提案フレームワークは、適応モデル選択を用いて、異なるネットワーク条件下での信頼性の高い侵入検知を行う。
この研究は、効果的な分類ルールを定義し、MLモデルの性能を高めるために、トラフィック型メトリクスを分析することの重要性を強調した。
さらに、モデル精度と一般化の最適化において、ハイパーパラメータチューニングが重要な役割を担っていることを強調し、オーバーフィッティングとアンダーフィッティングのリスクに対処する。
この研究の中心的な貢献は、リアルタイムネットワーク条件に応じて最適なMLアルゴリズムを適応的に選択する自動化メカニズムであり、SDN環境における検出堅牢性と運用可能性の優先順位付けである。
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) - Toward Autonomous and Efficient Cybersecurity: A Multi-Objective AutoML-based Intrusion Detection System [10.769230030919074]
自動機械学習(AutoML)と多目的最適化(MOO)を用いた侵入検知システム(IDS)
この研究は、4つのAutoMLステージをすべて統合した最初のIDSフレームワークを示し、リソース制約されたシステムへのデプロイにおいて、検出効率、効率、信頼性を共同で最適化するために、多目的最適化を採用している。
論文 参考訳（メタデータ） (2025-11-11T17:31:42Z) - Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。
提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。
統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
論文 参考訳（メタデータ） (2025-10-29T03:47:02Z) - Intrusion Detection System Using Deep Learning for Network Security [0.6554326244334868]
本稿では,深層学習技術に基づくIDSモデルの実験的評価を提案する。
ネットワークトラフィックを悪意のあるカテゴリと良心的なカテゴリに分類することに注力する。
テストされたモデルのうち、最高は96%の精度を達成した。
論文 参考訳（メタデータ） (2025-05-09T06:04:58Z) - Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。
本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。
次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
論文 参考訳（メタデータ） (2025-02-21T14:36:12Z) - Exploring Feature Importance and Explainability Towards Enhanced ML-Based DoS Detection in AI Systems [3.3150909292716477]
Denial of Service(DoS)攻撃は、AIシステムセキュリティの領域において重大な脅威となる。
統計的および機械学習(ML)に基づくDoS分類と検出アプローチは、幅広い特徴選択メカニズムを使用して、ネットワークトラフィックデータセットから特徴サブセットを選択する。
本稿では,MLによるDoS攻撃検出における特徴選択の重要性について検討する。
論文 参考訳（メタデータ） (2024-11-04T19:51:08Z) - Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques [0.0]
本研究では,機械学習(ML)と深層学習(DL)技術を組み合わせて,ネットワーク侵入検知システム(NIDS)を改善する方法について検討する。
この研究は、CSE-CIC-IDS 2018とLITNET-2020データセットを使用して、MLメソッド(決定木、ランダムフォレスト、XGBoost)とDLモデル(CNN、RNN、DNN)を主要なパフォーマンス指標と比較する。
Decision Treeモデルでは、EPSO(Enhanced Particle Swarm Optimization)を微調整して、ネットワーク違反を効果的に検出する能力を実証した。
論文 参考訳（メタデータ） (2024-08-14T17:11:36Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z) - Optimization-driven Machine Learning for Intelligent Reflecting Surfaces
Assisted Wireless Networks [82.33619654835348]
インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。
散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。
本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
論文 参考訳（メタデータ） (2020-08-29T08:39:43Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - Learning High-Level Policies for Model Predictive Control [54.00297896763184]
Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。
ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。
提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
論文 参考訳（メタデータ） (2020-07-20T17:12:34Z)
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。