論文の概要: BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection

• arxiv url: http://arxiv.org/abs/2607.13203v1
• Date: Tue, 14 Jul 2026 18:53:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.57008
• Title: BARS: Benign-Anchored Ranking and Selection for False Alarm Reduction in Network Intrusion Detection
• Title（参考訳）: BARS:ネットワーク侵入検出における偽アラーム削減のための良性アンコールランクと選択
• Abstract要約: フィルタベースの特徴選択は、分類器の上流で動作し、推論時間コストを加算しないので魅力的である。 最近のクラス非対称フィルタであるClasswise Mean Deviation (CMD)は、クラス不均衡の下で攻撃分布へシフトするグローバル平均にスコアを固定する。 我々は,CMDのグローバルアンカーをベニグクラスの平均値に置き換える2段階フィルタであるベニグ・アンコール・ランク・アンド・セレクション(BARS)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: False alarms remain a major barrier to deploying network intrusion detection systems (NIDS). In high-volume environments, even a sub-1% false positive rate can generate tens of thousands of daily alerts. Filter-based feature selection is attractive because it operates upstream of the classifier and adds no inference-time cost. However, classical filters use class-symmetric criteria that ignore the asymmetry of intrusion detection, where benign traffic defines the baseline and attacks are deviations from it. A recent class-asymmetric filter, Classwise Mean Deviation (CMD), addresses this issue but anchors its score to a global mean that shifts toward attack distributions under class imbalance, weakening the deviations it aims to capture. We propose Benign-Anchored Ranking and Selection (BARS), a two-stage filter that replaces CMD's global anchor with the benign-class mean and applies an order-preserving decorrelation step. We evaluate BARS on CICIDS2017, CICDDoS2019, and UNSW-NB15 using feature budgets k = {5, 10, 20, 30, 40}. On attack-majority datasets, where global-anchor bias is strongest, BARS reduces false positive rate relative to CMD by 15.4% on UNSW-NB15 at k = 20 and by 21% to 23% on CICDDoS2019 at small feature budgets while preserving true positive rate and macro-F1. On benign-majority data, BARS and CMD converge, consistent with the theoretical limit where global- and benign-anchored scores coincide. BARS is a principled refinement of CMD rather than a universally dominant filter. Although Pearson Correlation and Mutual Information often achieve lower false positive rates, they exceeded 1 TB of memory on the largest benchmarks in our evaluation. BARS retains linear-time scoring and a low memory footprint, making it suitable for resource-constrained deployments.
• Abstract（参考訳）: 偽アラームは、ネットワーク侵入検知システム(NIDS)の展開における大きな障壁であり続けている。 高ボリューム環境では、1%以下の偽陽性率でさえ、毎日何万ものアラートを発生させることができる。 フィルタベースの特徴選択は、分類器の上流で動作し、推論時間コストを加算しないので魅力的である。 しかし、古典的なフィルタは侵入検知の非対称性を無視したクラス対称性の基準を用いる。 最近のクラス非対称フィルタであるクラスワイズ平均偏差(Classwise Mean Deviation, CMD)はこの問題に対処するが、そのスコアはクラス不均衡の下での攻撃分布へのシフトをグローバル平均に固定し、捕捉しようとする偏差を弱める。 我々は,CMDのグローバルアンカーを良性階級平均に置き換える2段階のフィルタである Benign-Anchored Ranking and Selection (BARS) を提案する。 機能予算k = {5, 10, 20, 30, 40} を用いて,CICIDS2017, CICDDoS2019, UNSW-NB15におけるBARSの評価を行った。 グローバルアンカーバイアスが最強のアタック・マジョリティデータセットでは、BARSは、UNSW-NB15ではk = 20で15.4%、CICDDoS2019では21%から23%、真の陽性率とマクロF1を維持しながら、CMDに対する偽陽性率を15.4%削減する。 良性マジョリティデータでは、BARSとCMDは、大域的および良性アンコールスコアが一致する理論的な限界に一致して収束する。 BARSは、普遍的に支配的なフィルタではなく、原則化されたCMDの改良である。 Pearson correlation と Mutual Information は、しばしば偽陽性率を低くするが、我々の評価では最大のベンチマークで1TB以上のメモリを消費した。 BARSはリニアタイムスコアとメモリフットプリントを保ち、リソース制限されたデプロイメントに適している。

関連論文リスト

• Adaptive Filtering of the KV Cache: Diagnosing and Correcting Structural-Role Bias in LLM Inference [0.0]
  KVキャッシュ消去はノイズを不均等に保持する非定常フィルタである。 キートークンは、応答するVALUEトークンの約1.8倍の速度で保持される。 反ファクト実験では、KEYトークンの抑制が最良のデプロイ可能なフィルタであることを示す。
  論文  参考訳（メタデータ） (2026-07-14T18:55:20Z)
• Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
  敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる 本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。 敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
  論文  参考訳（メタデータ） (2026-06-10T13:41:44Z)
• nCMD: Benign-Anchored Feature Selection for Imbalanced Network Intrusion Detection [0.0]
  侵入検知システムの特徴をランク付けするために,良性アンコール型クラスワイド平均偏差(nCMD)を提案する。 nCMDは、グローバルバイアス参照ではなく、良性クラス平均からの攻撃クラス分布の偏差に基づく特徴的関連性を評価する。 このアプローチは、追加の計算コストなしで、機能選択とNIDSの操作意味を一致させる。
  論文  参考訳（メタデータ） (2026-06-07T19:01:05Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• GF-Score: Certified Class-Conditional Robustness Evaluation with Fairness Guarantees [1.6058099298620423]
  我々は、認定されたGREATスコアをクラスごとの堅牢性プロファイルに分解するフレームワークであるemphGF-Score(GREAT-Fairness Score)を紹介する。 分解は正確であり、クラスごとのスコアは一貫性のある脆弱性パターンを示し、より堅牢なモデルではクラスレベルの格差が大きくなる傾向にある。 これらの結果から,信頼性の高いロバスト性保証がすべてのクラスを平等に保護できないような,実用的なアタックフリー監査パイプラインが確立された。
  論文  参考訳（メタデータ） (2026-04-14T14:03:22Z)
• What If Consensus Lies? Selective-Complementary Reinforcement Learning at Test Time [57.533031432715084]
  TTRL(Test-Time Reinforcement Learning)は、Large Language Models(LLM)が、ラベルのないテストストリームの推論能力を向上することを可能にする。 既存のTTRL法は、正の擬似ラベル戦略にのみ依存している。 本研究では,ラベル雑音増幅を効果的に緩和する堅牢なテスト時間強化学習フレームワークであるSCRLを提案する。
  論文  参考訳（メタデータ） (2026-03-20T11:47:12Z)
• Improving Search Agent with One Line of Code [68.58667107354253]
  ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。 textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-10T04:07:39Z)
• Beyond Denial-of-Service: The Puppeteer's Attack for Fine-Grained Control in Ranking-Based Federated Learning [37.22418291316679]
  我々は、ランキングベースのFLフレームワークに合わせた、最初のきめ細かい制御攻撃であるエッジコントロールアタック(ECA)を紹介する。 ECAは平均誤差がわずか0.224%のきめ細かな精度制御を達成し、ベースラインを最大17倍の精度で上回っている。 以上の結果から, 先進的な毒殺攻撃に対する防御強化の必要性が示唆された。
  論文  参考訳（メタデータ） (2026-01-21T06:03:11Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• A Large-scale Multiple-objective Method for Black-box Attack against Object Detection [70.00150794625053]
  我々は、真正の確率を最小化し、偽正の確率を最大化し、より多くの偽正の物体が新しい真正の有界箱を作らないようにする。 我々は、GARSDCと呼ばれるランダム・サブセット選択とディバイド・アンド・コンカーによる標準的な遺伝的アルゴリズムを拡張し、効率を大幅に改善する。 最先端攻撃法と比較して、GARSDCはmAPでは平均12.0、広範囲な実験ではクエリでは約1000倍減少する。
  論文  参考訳（メタデータ） (2022-09-16T08:36:42Z)
• A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation [142.31610972922067]
  この研究は、特にターゲットドメインのクラスラベルがソースドメインのサブセットである場合に、教師なしのドメイン適応問題に対処する。 本稿では,ドメイン逆境学習に基づく新しいドメイン適応手法 BA$3$US を提案し,BAA(Ba balanced Adversarial Alignment)とAUS(Adaptive Uncertainty Suppression)の2つの新しい手法を提案する。 複数のベンチマーク実験の結果、BA$3$USが部分的なドメイン適応タスクの最先端を超越していることが示されている。
  論文  参考訳（メタデータ） (2020-03-05T11:37:06Z)

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。