論文の概要: Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN
- arxiv url: http://arxiv.org/abs/2607.02981v1
- Date: Fri, 03 Jul 2026 05:39:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.481326
- Title: Enhanced Feature Extraction for IoT Network Intrusion Detection Using GNNs and KAN
- Title（参考訳）: GNNとkanを用いたIoTネットワーク侵入検出のための高機能抽出
- Abstract要約: IoTネットワークは、動的トポロジ、不均衡なトラフィック、複雑な攻撃パターンを備えている。
従来のGNNベースの侵入検出手法は、ノードとエッジの特徴を効率的にモデル化するのに苦労する。
SKGFusionKANは,マルチスケール選択型カーネルアテンション機構を備えたグラフSAGEの拡張手法である。
- 参考スコア（独自算出の注目度）: 7.750685892814102
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in the Internet of Things (IoT) emphasize the urgent need for advanced network security, as IoT networks feature dynamic topologies, imbalanced traffic, and complex attack patterns. Unlike general IT networks, IoT environments exhibit extreme heterogeneity and sparse topologies. Traditional GNN-based intrusion detection methods often struggle to efficiently model node and edge features or capture fine-grained anomalies in such settings. To address this, we propose SKGFusionKAN, a novel IoT-tailored approach enhancing GraphSAGE with a multi-scale selective kernel attention mechanism. This enables adaptive extraction of node and edge features under diverse traffic conditions. Specifically, our edge-oriented message passing strengthens information propagation, while selective kernel attention adaptively weights edge-derived information from different scales to handle heterogeneity. We also introduce a gated fusion process to dynamically integrate multi-scale features, improving robustness against evolving attacks. Finally, we leverage Kolmogorov-Arnold Networks (KAN) for classification, offering superior nonlinear modeling capabilities essential for detecting intricate, low-frequency attacks. To our knowledge, this work presents a comprehensive integration of GNNs and KAN with dedicated architectural innovations for IoT intrusion detection. Extensive experiments on four NIDS benchmarks show that SKGFusionKAN consistently outperforms state-of-the-art approaches in binary and multiclass tasks, demonstrating its potential for IoT security.
- Abstract（参考訳）: IoTネットワークは動的トポロジ、不均衡なトラフィック、複雑な攻撃パターンを特徴としている。
一般的なITネットワークとは異なり、IoT環境は極端な異質性とスパーストポロジを示す。
従来のGNNベースの侵入検出手法は、ノードとエッジの特徴を効率的にモデル化したり、そのような設定で細かい異常を捉えるのに苦労することが多い。
そこで本研究では,マルチスケールなカーネルアテンション機構を持つGraphSAGEを改良した,IoT対応の新たなアプローチであるSKGFusionKANを提案する。
これにより、多様な交通条件下でノードとエッジの特徴を適応的に抽出できる。
具体的には、エッジ指向メッセージパッシングは情報伝達を強化し、選択的カーネルアテンションは異なるスケールからエッジ由来情報を適応的に重み付け、不均一性を処理する。
また、マルチスケール機能を動的に統合するゲート融合プロセスを導入し、進化する攻撃に対する堅牢性を改善した。
最後に、KAN(Kolmogorov-Arnold Networks)を分類に利用し、複雑な低周波攻撃を検出するための優れた非線形モデリング機能を提供する。
我々の知る限り、この研究は、IoT侵入検出専用のアーキテクチャ革新を備えたGNNとkanの総合的な統合を提示している。
4つのNIDSベンチマークに関する大規模な実験によると、SKGFusionKANは、バイナリとマルチクラスのタスクにおける最先端のアプローチを一貫して上回り、IoTセキュリティの可能性を示している。
関連論文リスト
- An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks [0.0]
本稿では,多クラス分類,データセット統合,時間的特徴学習を組み合わせた改良型CNN-LSTMによる侵入検出モデルを提案する。
提案手法は,ネットワークトラフィックデータを用いて侵入検知タスクに基づいて評価し,約97%の精度を実現する。
論文 参考訳（メタデータ） (2026-06-04T07:04:57Z) - 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) - Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。
提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。
統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
論文 参考訳（メタデータ） (2025-10-29T03:47:02Z) - LAKAN: Landmark-assisted Adaptive Kolmogorov-Arnold Network for Face Forgery Detection [48.562984002121276]
ディープフェイク生成技術は 堅牢な顔偽造検出アルゴリズムを必要とする
コルモゴロフ・アルノルドネットワーク(KAN)に基づく新しい検出手法を提案する。
本稿では,ランドマーク支援型適応コルモゴロフ・アルノルドネットワーク(LakaN)モジュールを提案する。
論文 参考訳（メタデータ） (2025-10-01T08:10:38Z) - Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset [0.0]
これらの脅威を緩和するためには、侵入検知システム(IDS)が不可欠である。
機械学習(ML)の最近の進歩は、改善のための有望な道を提供する。
本研究は、いくつかのスタンドアロンMLモデルを組み合わせたハイブリッドアプローチを探求する。
論文 参考訳（メタデータ） (2025-02-17T23:41:10Z) - Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks [3.1309870454820277]
本稿では,KAN(Kolmogorov-Arnold Networks)とXGBoostアルゴリズムを組み合わせたハイブリッド侵入検知システムを提案する。
提案したIDSは,学習可能なアクティベーション関数を用いてデータ内の複雑な関係をモデル化し,XGBoostの強力なアンサンブル学習手法と併用する。
実験により,我々のハイブリッドIDSは,良性行動と悪意行動の区別において,99%以上の精度で検出できることがわかった。
論文 参考訳（メタデータ） (2024-08-28T15:58:49Z) - HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - Detecting Unknown Attacks in IoT Environments: An Open Set Classifier
for Enhanced Network Intrusion Detection [5.787704156827843]
本稿では,IoT環境に適したネットワーク侵入検知システム(NIDS)の領域におけるオープンセット認識(OSR)問題の緩和を目的としたフレームワークを提案する。
ネットワークトラフィックから空間的・時間的パターンを抽出し,パケットレベルデータのイメージベース表現に重きを置いている。
実験の結果は、このフレームワークの有効性を顕著に強調し、これまで見つからなかった攻撃に対して、驚くべき88%の検知率を誇示している。
論文 参考訳（メタデータ） (2023-09-14T06:41:45Z) - Attention-driven Graph Clustering Network [49.040136530379094]
我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。
AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。
AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
論文 参考訳（メタデータ） (2021-08-12T02:30:38Z)
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。