論文の概要: SDNGuardStack: An Explainable Ensemble Learning Framework for High-Accuracy Intrusion Detection in Software-Defined Networks
- arxiv url: http://arxiv.org/abs/2604.20934v1
- Date: Wed, 22 Apr 2026 11:52:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.104464
- Title: SDNGuardStack: An Explainable Ensemble Learning Framework for High-Accuracy Intrusion Detection in Software-Defined Networks
- Title（参考訳）: SDNGuardStack: ソフトウェア定義ネットワークにおける高精度侵入検出のための説明可能なアンサンブル学習フレームワーク
- Authors: Ashikuzzaman, Md. Saifuzzaman Abhi, Mahabubur Rahman, Md. Manjur Ahmed, Md. Mehedi Hasan, Md. Ahsan Arif,
- Abstract要約: InSDNデータセットでトレーニング・テストされているため,本論文で記述したSDN固有の機械学習ベースの侵入検知システムは革新的である。
SHAPを含む説明可能なAIメソッドは、モデル予測に透明性を加えることで、セキュリティアナリストがインシデントに応答するのに役立つ。
SDNGuard-Stackの精度は99.98%、Cohen Kappaは0.9998で、他のモデルを上回っている。
- 参考スコア（独自算出の注目度）: 1.5333593607255736
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software-Defined Networking (SDN) is another technology that has been developing in the last few years as a relevant technique to improve network programmability and administration. Nonetheless, its centralized design presents a major security issue, which requires effective intrusion detection systems. The SDN-specific machine learning-based intrusion detection system described in this paper is innovative because it is trained and tested on the InSDN dataset which models attack scenarios and realistic traffic patterns in SDN. Our approach incorporates a comprehensive preprocessing pipeline, feature selection via Mutual Information, and a novel ensemble learning model, SDNGuardStack, which combines multiple base learners to enhance detection accuracy and efficiency. In addition, we include explainable AI methods, including SHAP to add transparency to model predictions, which helps security analysts respond to incidents. The experiments prove that SDNGuard-Stack has an accuracy rate of 99.98% and a Cohen Kappa of 0.9998, surpassing other models, and at the same time being interpretable and practically executable. It is interesting to see such features like Flow ID, Bwd Header Len, and Src Port as the most important factors in the model predictions. The work is a step towards closing the gap between performance intrusion detection and realistic deployment in SDN, which will lead to the creation of secure and resilient network infrastructures.
- Abstract（参考訳）: Software-Defined Networking (SDN)は、ネットワークのプログラマビリティと管理を改善するための関連技術として、ここ数年開発されてきた別の技術である。
それにもかかわらず、その中央集権的な設計は、効果的な侵入検知システムを必要とする主要なセキュリティ問題を提示している。
本論文で述べるSDN固有の機械学習ベースの侵入検知システムは、SDNのシナリオや現実的なトラフィックパターンをモデル化したInSDNデータセット上で訓練・テストされているため、革新的である。
提案手法には,総合的な事前処理パイプライン,Mutual Informationによる特徴選択,および複数のベース学習者を組み合わせた新しいアンサンブル学習モデルであるSDNGuardStackが組み込まれ,検出精度と効率が向上する。
さらに、モデル予測に透明性を追加するSHAPなど、説明可能なAIメソッドも含んでいます。
実験の結果、SDNGuard-Stackの精度は99.98%、Cohen Kappaは0.9998であり、他のモデルを上回っている。
Flow ID、Bwd Header Len、Src Portといった機能が、モデル予測において最も重要な要素であることは興味深い。
この作業は、パフォーマンス侵入検出とSDNの現実的なデプロイメントのギャップを埋めるためのステップであり、セキュアでレジリエントなネットワークインフラストラクチャの作成につながります。
関連論文リスト
- One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。
本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。
本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
論文 参考訳（メタデータ） (2025-08-18T12:36:55Z) - Unseen Attack Detection in Software-Defined Networking Using a BERT-Based Large Language Model [5.062869359266078]
ソフトウェア定義ネットワーク(SDN)における攻撃検出を強化するために、自然言語処理(NLP)と事前訓練されたBERTベースモデルを活用する新しいアプローチを導入する。
我々のアプローチは,ネットワークフローデータを言語モデルで解釈可能なフォーマットに変換し,BERTが複雑なパターンやネットワークトラフィックの関係をキャプチャすることを可能にする。
当社のアプローチは、これまで目に見えない攻撃を検知し、モデルが明示的に訓練されていない脅威を特定するソリューションを提供するように設計されています。
論文 参考訳（メタデータ） (2024-12-09T06:27:20Z) - Sdn Intrusion Detection Using Machine Learning Method [0.0]
SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。
本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
論文 参考訳（メタデータ） (2024-11-08T12:19:50Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。
我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。
その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
論文 参考訳（メタデータ） (2024-09-27T11:20:20Z) - C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。
以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。
このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
論文 参考訳（メタデータ） (2024-08-30T15:39:37Z) - Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。
本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。
このアプローチは、潜在空間における表現学習の強みを生かしている。
論文 参考訳（メタデータ） (2024-06-04T03:22:52Z) - A Novel Approach To Network Intrusion Detection System Using Deep
Learning For Sdn: Futuristic Approach [0.0]
Software-Defined Networking (SDN)は、従来のネットワークのアーキテクチャを変更する次世代である。
本研究では,NIDS-DL(Network Intrusion Detection System-Deep Learning Module)アプローチを提案する。
提案手法はバイナリ分類と攻撃検出に有効であった。
論文 参考訳（メタデータ） (2022-08-03T14:23:16Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳（メタデータ） (2021-01-28T16:38:26Z) - Security of Distributed Machine Learning: A Game-Theoretic Approach to
Design Secure DSVM [31.480769801354413]
この研究は、データ中毒やネットワーク攻撃から学習を保護するために、セキュアな分散アルゴリズムを開発することを目的としている。
我々は,分散サポートベクトルマシン(SVM)を使用する学習者と,トレーニングデータやラベルを変更することができる攻撃者の相反する目標を捉えるためのゲーム理論の枠組みを確立する。
数値的な結果から,分散SVMは異なるタイプの攻撃で失敗する傾向にあり,ネットワーク構造や攻撃能力に強い依存があることが分かる。
論文 参考訳（メタデータ） (2020-03-08T18:54:17Z)
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。