論文の概要: Forensic-Oriented Intrusion Detection Using Synthetic Network Traffic Data and Explainable Artificial Intelligence
- arxiv url: http://arxiv.org/abs/2607.00763v1
- Date: Wed, 01 Jul 2026 10:47:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.858993
- Title: Forensic-Oriented Intrusion Detection Using Synthetic Network Traffic Data and Explainable Artificial Intelligence
- Title（参考訳）: 合成ネットワークトラフィックデータと説明可能な人工知能を用いた法科学指向侵入検出
- Abstract要約: 本稿では,法科学指向の侵入検知フレームワークを提案する。
合成データ生成、バイナリ分類、説明可能性を統合する。
全ての訓練はSDV+CTGANを介してパラメータ化合成誘導体で実行される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital forensic investigations of network intrusions require analytical outputs that are traceable, reproducible, and court-defensible - requirements existing machine learning pipelines do not satisfy, since they treat original evidence as training data and produce opaque classifications without instance-level justification. This paper presents a forensic-oriented intrusion detection framework resolving both problems simultaneously, integrating synthetic data generation, binary classification, and explainability within a single pipeline governed by ISO/IEC 27037, 27041, 27042, and NIST SP 800-86. The framework operationalises the ISO/IEC 27037 requirement for strict separation between original digital evidence and derived analytical artefacts. Original datasets are treated as immutable, hash-verified artefacts; all training operates on parameterized synthetic derivatives via SDV + CTGAN. XGBoost binary classification provides high-performance detection on tabular network flow data, and SHAP TreeExplainer produces instance-level feature attributions mapping statistical predictions to observable network behaviour for forensic reporting. Train-on-Synthetic, Test-on-Real (TSTR) evaluation on CICIDS2017 achieves F1-macro = 0.96, within cross-validation variance of the real-data baseline (0.97). Kolmogorov-Smirnov testing confirms synthetic privacy preservation (mean |KS| = 0.38) alongside operational utility. Cross-dataset validation on UNSW-NB15 and Kitsune identifies feature space dimensionality as the primary determinant of synthetic training effectiveness, establishing a practical deployment boundary of approximately 30 numeric flow-level features. SHAP attributions for Brute Force, Port Scan, and DoS attacks are consistent across real and synthetic instances, confirming synthetic training preserves forensically relevant attack fingerprints required for expert witness testimony.
- Abstract（参考訳）: ネットワーク侵入に関するデジタル法医学的な調査では、トレース可能、再現可能、および裁判所で保護可能な分析出力が要求される。既存の機械学習パイプラインの要求は、元の証拠をトレーニングデータとして扱い、インスタンスレベルの正当化なしに不透明な分類を生成するため、満足できない。
本稿では,ISO/IEC 27037, 27041, 27042, NIST SP 800-86によって管理される単一パイプラインにおいて, 合成データ生成, バイナリ分類, 説明可能性を統合し, 両問題を同時に解決する法科学指向の侵入検出フレームワークを提案する。
このフレームワークはISO/IEC 27037の要求を運用し、元のデジタル証拠と派生した分析成果物とを厳格に分離する。
元のデータセットは不変で、ハッシュ検証されたアーティファクトとして扱われ、すべてのトレーニングはSDV + CTGANを介してパラメータ化された合成誘導体で実行される。
SHAP TreeExplainerは、統計予測を観測可能なネットワーク行動にマッピングして、法医学的な報告を行う。
CICIDS2017におけるTSTR(Train-on-Synthetic, Test-on-Real)評価は、F1-macro = 0.96を実データベースラインのクロスバリデーション分散(0.97)内で達成する。
Kolmogorov-Smirnovテストは、運用ユーティリティとともに、合成プライバシ保護(つまり |KS| = 0.38)を確認している。
UNSW-NB15 と Kitsune のクロスデータセット検証では,特徴空間次元が合成トレーニングの有効性の第一決定因子として認識され,約30個の数値フローレベル特徴の実際の展開境界が確立されている。
Brute Force、Port Scan、DoS攻撃に対するSHAP属性は、実例と合成例の間で一貫しており、合成トレーニングは、専門家証人証言に必要な法医学的に関連する攻撃指紋を保存することを確認している。
関連論文リスト
- Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。
本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。
合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
論文 参考訳（メタデータ） (2026-08-28T07:05:38Z) - Training-Free Metrics for Synthetic Object Detection Data: A Proxy for Detector Performance [3.052250424013348]
条件合成ドメインマッチング(CCDM)は、下流検出のための候補合成トレーニングセットの相対的ユーティリティのプロキシとして機能する。
VisDrone-DETデータセットの実験により、CCDM計量系は、YOLOv8の下流性能と1.0のスピアマン相関を達成した。
論文 参考訳（メタデータ） (2026-06-18T05:46:23Z) - Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。
本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
論文 参考訳（メタデータ） (2026-06-15T16:54:02Z) - SynSur: An end-to-end generative pipeline for synthetic industrial surface defect generation and detection [4.219862887901752]
合成欠陥生成とアノテーションのためのエンドツーエンドパイプラインを提案する。
パイプラインの重要なステージを解析し、プロンプト構築、LoRA選択、サンプルフィルタリングを行う。
本報告では,拡散型産業欠陥合成のエンドツーエンド評価について述べる。
論文 参考訳（メタデータ） (2026-04-29T12:57:32Z) - Knowledge-to-Data: LLM-Driven Synthesis of Structured Network Traffic for Testbed-Free IDS Evaluation [0.4893345190925178]
本稿では,Large Language Models (LLMs) が構造化された合成ネットワークトラフィックデータセットを生成するための制御された知識データエンジンとして機能するかどうかを検討する。
本稿では,プロトコル文書,アタックセマンティクス,および明示的な統計的ルールを組み合わせた手法を提案する。
その結果、明示的な制約の下では、LLM生成データセットは実際のネットワークトラフィックの統計的および構造的特性を正確に近似することができることがわかった。
論文 参考訳（メタデータ） (2026-01-08T15:31:33Z) - Comparative Evaluation of VAE, GAN, and SMOTE for Tor Detection in Encrypted Network Traffic [0.0]
暗号化されたネットワークトラフィックは侵入検知に重大な課題をもたらす。
従来のデータ拡張手法は、実際のネットワークトラフィックの複雑な時間的および統計的特性を保存するのに苦労する。
この研究は、現実的で多様な暗号化されたトラフィックトレースを合成するために、ジェネレーティブAI(GAI)モデルの使用について検討する。
論文 参考訳（メタデータ） (2026-01-03T13:31:53Z) - EvoSyn: Generalizable Evolutionary Data Synthesis for Verifiable Learning [63.03672166010434]
我々は、進化的、タスクに依存しない、戦略を導いた、実行可能検証可能なデータ合成フレームワークを紹介します。
問題、多様な候補解、検証成果物を共同で合成する。
これは、人間による注釈付きチェックと戦略によるチェックの合意を強制する一貫性に基づく評価器を通じて戦略を反復的に発見する。
論文 参考訳（メタデータ） (2025-10-20T11:56:35Z) - MAWIFlow Benchmark: Realistic Flow-Based Evaluation for Network Intrusion Detection [47.86433139298671]
本稿では,MAWILAB v1.1データセットから得られたフローベースベンチマークであるMAWIFlowを紹介する。
得られたデータセットは、2011年1月、2016年、2021年に太平洋横断のバックボーンのトラフィックから引き出された、時間的に異なるサンプルで構成されている。
決定木、ランダムフォレスト、XGBoost、ロジスティック回帰を含む伝統的な機械学習手法は、CNN-BiLSTMアーキテクチャに基づいたディープラーニングモデルと比較される。
論文 参考訳（メタデータ） (2025-06-20T14:51:35Z) - Deepfake Forensic Analysis: Source Dataset Attribution and Legal Implications of Synthetic Media Manipulation [5.764826667785188]
Generative Adrial Networks (GANs) が生成する合成メディアは、認証の検証とデータセットの起源のトレースに課題を提起する。
本稿では,GAN生成画像のトレーニングデータセット(例えば CelebA や FFHQ)を解釈可能な特徴解析により識別する新しい法医学的枠組みを提案する。
論文 参考訳（メタデータ） (2025-05-16T10:47:18Z) - Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。
この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。
セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
論文 参考訳（メタデータ） (2023-12-14T18:56:07Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
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。