論文の概要: Assessing Generalisation Capability of Machine Learning Models for Intrusion Detection

• arxiv url: http://arxiv.org/abs/2605.04407v1
• Date: Wed, 06 May 2026 01:59:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.601084
• Title: Assessing Generalisation Capability of Machine Learning Models for Intrusion Detection
• Title（参考訳）: 侵入検知のための機械学習モデルの一般化能力の評価
• Abstract要約: 本研究では,UNSW-NB15とTON_IoTを用いた侵入検出のための教師付き機械学習モデルの一般化能力について検討した。 ランダムフォレスト、ロジスティック回帰、ネイブベイズは、同じデータセットとクロスデータセット設定で評価された。 その結果,侵入検出における大きな一般化ギャップが明らかとなった。
• 参考スコア（独自算出の注目度）: 12.976685413458243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growth of networked and IoT systems has intensified cyber-security threats and exposed the limits of traditional signature-based intrusion detection. Although machine-learning-based intrusion detection systems often report strong benchmark performance, high ac- curacy within a single dataset does not necessarily guarantee reliable performance in unseen network environments. This study investigates the generalisation capability of supervised machine learning models for intrusion detection using UNSW-NB15 and TON_IoT. Random Forest, Logistic Regression, and Naive Bayes were evaluated under same-dataset and cross-dataset settings. Random Forest achieved the strongest same dataset performance, with 95.08% accuracy on UNSW-NB15 and 99.79% on TON_IoT, but performance dropped sharply in cross-dataset testing. When trained on UNSW-NB15 and tested on TON_IoT or vice versa, below 40% accuracy. These results reveal a significant generalisation gap in intrusion detection. We connect this challenge to affective computing and human-centric AI, where behavioural signal analysis, anomaly detection, domain shift, and context-sensitive modelling are also central. This framing highlights the need for adaptive, generalisable cyber-security models that can operate across changing network and IoT environments.
• Abstract（参考訳）: ネットワークとIoTシステムの成長はサイバーセキュリティの脅威を強め、従来のシグネチャベースの侵入検出の限界を露呈している。 機械学習に基づく侵入検知システムは、しばしば強力なベンチマーク性能を報告するが、単一のデータセットにおける高いアクレーシは、必ずしも目に見えないネットワーク環境において信頼性の高い性能を保証するとは限らない。 本研究では,UNSW-NB15とTON_IoTを用いた侵入検出のための教師付き機械学習モデルの一般化能力について検討した。 ランダムフォレスト、ロジスティック回帰、ネイブベイズは、同じデータセットとクロスデータセット設定で評価された。 ランダムフォレストはUNSW-NB15で95.08%、TON_IoTで99.79%の精度で最強のデータセット性能を達成したが、クロスデータセットテストでは性能が急落した。 UNSW-NB15でトレーニングし、TON_IoTまたはその逆でテストすると、40%の精度を達成できる。 これらの結果から,侵入検出における大きな一般化のギャップが明らかとなった。 私たちはこの課題を、行動信号分析、異常検出、ドメインシフト、コンテキスト依存モデリングといった、感情的コンピューティングと人間中心のAIに結び付けています。 このフレーミングは、ネットワークとIoT環境をまたいで動作可能な、適応的で汎用的なサイバーセキュリティモデルの必要性を強調している。

関連論文リスト

• Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks [0.0]
  本研究では,広範に使用されている4種類の分類器,ランダムフォレスト,グラディエントブースティングマシン,ロジスティック回帰モデル,ディープニューラルネットワークモデルの複数の毒殺対策に対する感受性を評価する。 その結果、アンサンブルベースのモデルは比較的安定した性能を示すが、ロジスティック回帰とディープニューラルネットワークはラベル操作とアウトリアベースの攻撃で最大40%の劣化を被っていることがわかった。 検出は、逆向きに堅牢なトレーニング、継続的な異常監視、運用中のネットワーク侵入検知システムにおける機能レベルの検証の必要性を強調している。
  論文  参考訳（メタデータ） (2026-04-15T21:36:44Z)
• 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)
• Neurosymbolic Learning for Advanced Persistent Threat Detection under Extreme Class Imbalance [29.991707658663188]
  本稿では,最適化されたBERTモデルと論理テンソルネットワーク(LTN)を統合し,無線IoTネットワークにおける説明可能なAPT検出を実現するニューロシンボリックアーキテクチャを提案する。 その結果, ニューロシンボリック学習はIoTネットワーク監視アーキテクチャの高性能, 解釈可能, 動作可能なAPT検出を可能にすることがわかった。
  論文  参考訳（メタデータ） (2026-02-28T04:25:50Z)
• Exploring Robust Intrusion Detection: A Benchmark Study of Feature Transferability in IoT Botnet Attack Detection [46.724153214302184]
  クロスドメイン侵入検出は、ネットワークのトラフィック特性と環境間の特徴分布に大きなばらつきがあるため、依然として重要な課題である。 本研究では、異種IoTおよび産業用IoTネットワーク条件を表す4つの広く使用されているデータセット間で、広く使用されている3つのフローベースの特徴セット(Argus、Zeek、CICFlowMeter)の転送可能性を評価する。
  論文  参考訳（メタデータ） (2026-02-27T10:16:28Z)
• 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)
• CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks [0.2180739748940442]
  本研究は、IoTネットワークにおけるロバストな侵入検知のための新しいデュアルアテンションベースのディープラーニングフレームワークであるCST AFNetを提案する。 提案モデルでは,15種類の攻撃タイプと良性トラフィックの両方において,優れた精度を実現する。 CST AFNetは、複雑なIoTおよびIIoT環境において、リアルタイムのサイバー脅威検出のための強力でスケーラブルなソリューションであることを確認した。
  論文  参考訳（メタデータ） (2025-10-03T04:36:19Z)
• REAL-IoT: Characterizing GNN Intrusion Detection Robustness under Practical Adversarial Attack [5.881825061973424]
  グラフニューラルネットワーク(GNN)ベースのネットワーク侵入検知システム(NIDS)は、単一のデータセットでしばしば評価される。 我々は,IoT環境におけるGNNベースのNIDSの堅牢性評価のための総合的なフレームワークである textbfREAL-IoT を提案する。
  論文  参考訳（メタデータ） (2025-07-14T22:10:08Z)
• Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems [1.1265248232450553]
  本稿では,生パケット列上の一般化可能な侵入検出のための自己教師付きコントラスト学習手法を提案する。 本フレームワークは,既存のNetFlow自己管理手法と比較して,優れた性能を示す。 我々のモデルは,ラベル付き限られたデータを用いた教師付き侵入検知のための強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:42:00Z)
• WeiDetect: Weibull Distribution-Based Defense against Poisoning Attacks in Federated Learning for Network Intrusion Detection Systems [23.03944479383518]
  WeiDetectは、悪意のある参加者を検知するFLベースのNIDSのための2段階のサーバーサイド防御機構である。 多様な攻撃環境におけるアプローチの有効性を評価する実験を行った。 WeDetectは最先端の防衛アプローチよりも優れています。
  論文  参考訳（メタデータ） (2025-04-06T05:31:24Z)
• FedMSE: Semi-supervised federated learning approach for IoT network intrusion detection [0.0]
  IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。 Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。 このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
  論文  参考訳（メタデータ） (2024-10-18T02:23:57Z)
• Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction [6.374540518226326]
  侵入検知システム(IDS)は、悪意あるアクターや活動を検出することによって相互接続ネットワークを保護する上で重要な役割を果たす。 本稿では,データ不均衡にRandom Oversampling (RO) を用いる新しいMLベースのネットワーク侵入検出モデルと,次元削減のためのStacking Feature Embedding (PCA)を提案する。 CIC-IDS 2017データセットを使用すると、DT、RF、ETモデルは99.99%の精度に達し、DTとRFモデルはCIC-IDS 2018データセットで99.94%の精度が得られる。
  論文  参考訳（メタデータ） (2024-01-22T05:49:41Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)

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。