論文の概要: Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic

• arxiv url: http://arxiv.org/abs/2605.02970v1
• Date: Sun, 03 May 2026 13:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.548336
• Title: Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic
• Title（参考訳）: Decompose to Understand, Fuse to Detect: 暗号化されたネットワークトラフィックに対する周波数非結合異常検出
• Authors: Xinglin Lian, Chengtai Cao, Ting Zhong, Yong Wang, Kai Chen, Fan Zhou,
• Abstract要約: この研究は、広範に広まるフル周波数特性と、スペクトルミスマッチと呼ばれる関連する制限の同定の先駆者である」。 FreeUpは、暗号化トラフィック分析のために明示的に設計された、新しい周波数分離フレームワークである。
• 参考スコア（独自算出の注目度）: 38.99819352589072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network traffic anomaly detection represents a critical cybersecurity task, yet widespread encryption makes this task increasingly challenging. In response, image-based methods that model traffic as visual patterns have emerged as the dominant approach. However, this work pioneers the identification of a pervasive ``full-frequency'' characteristic and an associated limitation termed ``spectral mismatch'' within this paradigm. Specifically, while encrypted traffic exhibits prominent high-frequency components, mainstream reconstruction methods demonstrate an inherent bias toward learning low-frequency information. This fundamental mismatch results in incomplete representations that consequently degrade anomaly detection performance. To address this challenge, we propose FreeUp, a novel frequency-decoupled framework designed explicitly for encrypted traffic analysis. FreeUp decomposes traffic data into distinct low- and high-frequency bands, processing them through separate, dedicated branches along with a customized training strategy that ensures stable and independent frequency-specific learning. Furthermore, recognizing that simple reconstruction error proves inadequate for evaluating dual-branch architectures, we introduce an uncertainty-inspired fusion scoring mechanism. This mechanism quantifies the reconstruction uncertainty of the frequency-specific branches and dynamically integrates their outputs, yielding a more comprehensive and reliable anomaly score. Extensive experiments across multiple benchmarks demonstrate that FreeUp consistently outperforms state-of-the-art baselines. The code is available at https://github.com/ikun0124/FreeUp.
• Abstract（参考訳）: ネットワークトラフィックの異常検出は、重要なサイバーセキュリティタスクであるが、広く暗号化されているため、このタスクはますます困難になっている。 これに対し、トラフィックを視覚パターンとしてモデル化するイメージベース手法が主流のアプローチとして現れている。 しかし、この研究は、このパラダイムの中で「フル周波数」の特徴と「スペクトルミスマッチ」と呼ばれる関連する制限を識別する先駆者となった。 具体的には、暗号化されたトラフィックは顕著な高周波成分を示すが、主流の再構築手法は低周波情報の学習に固有のバイアスを示す。 この基本的なミスマッチは不完全表現となり、結果として異常検出性能が低下する。 この課題に対処するため、我々は、暗号化トラフィック分析のために明示的に設計された新しい周波数分離フレームワークFreeUpを提案する。 FreeUpはトラフィックデータを異なる低周波帯と高周波帯に分解し、個別の専用ブランチを通じて処理し、安定かつ独立した周波数特化学習を保証するためのカスタマイズされたトレーニング戦略を提供する。 さらに、単純な再構成誤差が二重分岐アーキテクチャの評価に不適切であることを認識し、不確実性に着想を得た融合スコアリング機構を導入する。 このメカニズムは周波数固有の分岐の再構成の不確実性を定量化し、出力を動的に統合し、より包括的で信頼性の高い異常スコアを得る。 複数のベンチマークにわたる大規模な実験は、FreeUpが一貫して最先端のベースラインを上回っていることを示している。 コードはhttps://github.com/ikun0124/FreeUp.comで入手できる。

関連論文リスト

• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Variational Dual-path Attention Network for CSI-Based Gesture Recognition [0.0]
  チャネル状態情報(CSI)に基づくWi-Fiジェスチャ認識は,エッジデバイス上での高次元ノイズやリソース制約に悩まされている。 本稿では,VDAN(Varial Dual-path Attention Network)という軽量機能前処理モジュールを提案する。 周波数領域フィルタリングと時間検出による構造的特徴改善を行う。
  論文  参考訳（メタデータ） (2026-01-20T09:02:02Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Spectral Entanglement Fingerprinting: A Novel Framework for Ransomware Detection Using Cross-Frequency Anomalous Waveform Signatures [0.0]
  悪意のある暗号化技術は進化を続け、従来の検出メカニズムをバイパスしている。 スペクトル分析は、システムのアクティビティデータを周波数領域に変換する別のアプローチを示す。 提案したスペクトルエンタングルメントフィンガープリント(SEF)フレームワークは、パワースペクトル密度、コヒーレンス関数、エントロピーに基づくメトリクスを利用して隠れパターンを抽出する。
  論文  参考訳（メタデータ） (2025-02-03T11:46:41Z)
• Unveiling Zero-Space Detection: A Novel Framework for Autonomous Ransomware Identification in High-Velocity Environments [0.0]
  提案したZero-Space Detectionフレームワークは、教師なしクラスタリングと高度なディープラーニング技術により、潜時行動パターンを識別する。 高速度環境では多相フィルタリングとアンサンブル学習を統合して効率的な意思決定を行う。 実験的評価では、LockBit、Conti、Revil、BlackMatterなど、さまざまなランサムウェアファミリー間で高い検出率を示している。
  論文  参考訳（メタデータ） (2025-01-22T11:41:44Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)

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。