論文の概要: Hybrid CNN-LSTM Framework for Intelligent Cyber Attack Detection and Prevention in U.S. Critical Digital Infrastructure: A Comparative Machine Learning Evaluation on CSE-CIC-IDS2018

• arxiv url: http://arxiv.org/abs/2606.05714v1
• Date: Thu, 04 Jun 2026 05:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.569
• Title: Hybrid CNN-LSTM Framework for Intelligent Cyber Attack Detection and Prevention in U.S. Critical Digital Infrastructure: A Comparative Machine Learning Evaluation on CSE-CIC-IDS2018
• Title（参考訳）: 米国臨界デジタルインフラにおける知的サイバー攻撃検出・防止のためのハイブリッドCNN-LSTMフレームワーク:CSE-CIC-IDS2018における機械学習評価の比較
• Authors: Md. Iqbal Hossan, Md. Serajul Kabir Chowdhury Rubel, Md. Arifur Rahman, B. M. Taslimul Haque,
• Abstract要約: 本研究は、人工知能(AI)と機械学習(ML)アルゴリズムを利用した、スマートサイバー防御システムを提案する。 提案するフレームワークは、データ前処理、機能エンジニアリング、リアルタイムトラフィック監視、インテリジェント脅威分類と自動防止機構を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 0.8496907566303933
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital infrastructure is growing at a rapid pace in the United States, and as a result, exposure to advanced cyber threats to critical sectors including healthcare, finance, transportation, energy and government systems is growing. The traditional cybersecurity approaches, including signature-based intrusion detection systems, have become less effective against today's cyber attacks, as they are unable to detect unknown and changing attacks in real time. To overcome these constraints, this research suggests a smart cyber-defense system, which utilizes Artificial Intelligence (AI) and Machine Learning (ML) algorithms in the detection and prevention of cyber attacks in the U.S. digital infrastructure. This study uses the CSE-CIC-IDS2018 dataset, which is a realistic network traffic dataset, along with various cyber attack scenarios, including Distributed Denial of Service (DDoS), brute force attacks, botnets, infiltration attacks, and web-based attacks. A number of machine learning and deep learning models such as Random Forest, XGBoost, Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks are implemented and evaluated to be used in identifying malicious network behavior and boosting the accuracy of intrusion detection. The framework proposed combines data preprocessing, feature engineering, real-time traffic monitoring, intelligent threat classification with automated prevention mechanisms to build cybersecurity resilience. E
• Abstract（参考訳）: デジタルインフラは米国で急速に成長しており、その結果、医療、金融、交通、エネルギー、政府システムといった重要な分野への高度なサイバー脅威にさらされている。 署名ベースの侵入検知システムを含む従来のサイバーセキュリティアプローチは、未知の攻撃や変更をリアルタイムで検出できないため、今日のサイバー攻撃に対して効果が低い。 これらの制約を克服するために、米国デジタルインフラにおけるサイバー攻撃の検出と防止に人工知能(AI)と機械学習(ML)アルゴリズムを利用する、スマートサイバー防御システムを提案する。 本研究は,ネットワークトラフィックの現実的データセットであるCSE-CIC-IDS2018データセットと,DDoS(Distributed Denial of Service),ブルートフォース攻撃,ボットネット,侵入攻撃,Webベースの攻撃など,さまざまなサイバー攻撃シナリオを使用する。 Random Forest、XGBoost、Convolutional Neural Networks(CNN)、Long Short-Term Memory(LSTM)ネットワークなどの機械学習およびディープラーニングモデルを実装し、悪意あるネットワークの振る舞いを特定し、侵入検出の精度を高めるために使用されるように評価した。 提案されているフレームワークは、データ前処理、機能エンジニアリング、リアルタイムトラフィック監視、インテリジェントな脅威分類と、サイバーセキュリティのレジリエンスを構築するための自動防止メカニズムを組み合わせたものだ。 E (複数形 Es)

関連論文リスト

• Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework [0.8496907566303933]
  本研究は、侵入検知システムモデルの開発とテストのためのCICIDS 2017データセットと、機械学習に基づくサイバーリスク予測モデルに基づく。 提案フレームワークは,精度,精度,リコール,F1スコア,ROC-AUC,偽陽性率など,さまざまなパフォーマンス指標を持つことにより,モデルの信頼性とレジリエンスを示す。
  論文  参考訳（メタデータ） (2026-06-04T05:05:14Z)
• Advanced Anomaly Detection and Threat Intelligence in Zero Trust IoT Environments Using Machine Learning [1.4916114295865357]
  本研究では,高度な人工知能(AI)と機械学習(ML)技術を用いて,異常検出と脅威知能システムの改善を図る。 この研究は、偽陽性を緩和し、教師付き学習アルゴリズムを通じて実行可能なインテリジェンスを提供することで、サイバーセキュリティのレジリエンスを改善する努力を行っている。
  論文  参考訳（メタデータ） (2026-04-25T14:39:07Z)
• Threat Detection in Social Media Networks Using Machine Learning Based Network Analysis [0.0]
  本稿では、ソーシャルメディアネットワーク環境における悪意ある行動の分類に使用できる機械学習に基づく脅威検出フレームワークを提案する。 次に、ニューラルネットワーク(ANN)のモデルを作成し、悪意のあるアクションの複雑で非線形な傾向を取得する。 提案手法は,精度,精度,リコール,F1スコア,ROC-AUCなどの従来の性能指標で検証し,優れた検出精度と高い強度を示す。
  論文  参考訳（メタデータ） (2026-01-05T22:14:41Z)
• Countering Autonomous Cyber Threats [40.00865970939829]
  ファンデーションモデルは、サイバードメイン内で広く、特に二元的関心事を提示します。 近年の研究では、これらの先進的なモデルが攻撃的なサイバースペース操作を通知または独立に実行する可能性を示している。 この研究は、孤立したネットワークでマシンを妥協する能力について、最先端のいくつかのFMを評価し、そのようなAIによる攻撃を倒す防御メカニズムを調査する。
  論文  参考訳（メタデータ） (2024-10-23T22:46:44Z)
• SEvenLLM: Benchmarking, Eliciting, and Enhancing Abilities of Large Language Models in Cyber Threat Intelligence [27.550484938124193]
  本稿では,サイバーセキュリティのインシデント分析と応答能力をベンチマークし,評価し,改善するためのフレームワークを提案する。 サイバーセキュリティのWebサイトから、サイバーセキュリティの生テキストをクロールすることによって、高品質なバイリンガル命令コーパスを作成します。 命令データセットSEvenLLM-Instructは、マルチタスク学習目的のサイバーセキュリティLLMのトレーニングに使用される。
  論文  参考訳（メタデータ） (2024-05-06T13:17:43Z)
• Artificial Neural Network for Cybersecurity: A Comprehensive Review [0.0]
  本稿では,Deep Learning(DL)アプローチのサイバーセキュリティへの適用について,体系的なレビューを行う。 現在普及しているIoTおよび他のネットワークにおけるサイバー攻撃について、そしてこれらの攻撃を管理するためのDLメソッドの有効性について議論する。 最後に、信頼性と実践可能なIoT駆動型医療システムにおけるサイバーセキュリティの重要性について論じる。
  論文  参考訳（メタデータ） (2021-06-20T09:32:48Z)
• TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
  本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。 我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
  論文  参考訳（メタデータ） (2021-03-10T19:03:38Z)
• Poisoning Attacks on Cyber Attack Detectors for Industrial Control Systems [34.86059492072526]
  私たちはICSオンラインニューラルネットワーク検出器に対するこのような毒攻撃を最初に実演しています。 バックグラデーションベースの中毒という2つの異なる攻撃アルゴリズムを提案し、合成データと実世界のデータの両方でその効果を実証する。
  論文  参考訳（メタデータ） (2020-12-23T14:11:26Z)
• Review: Deep Learning Methods for Cybersecurity and Intrusion Detection Systems [6.459380657702644]
  人工知能(AI)と機械学習(ML)はサイバー防衛の鍵となる技術として活用することができる。 本稿では,ネットワーク侵入検出に使用される様々な深層学習手法について検討する。
  論文  参考訳（メタデータ） (2020-12-04T23:09:35Z)
• Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
  本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。 サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
  論文  参考訳（メタデータ） (2020-07-05T18:22:40Z)
• 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。