Fugu-MT 論文翻訳(概要): Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection

論文の概要: Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection

arxiv url: http://arxiv.org/abs/2607.13801v1
Date: Wed, 15 Jul 2026 13:08:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-16 16:39:12.7793
Title: Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection
Title（参考訳）: LLMによるネットワーク侵入検出のためのトラフィック対応ランダム化平滑化
Authors: Zhenpeng Li,
Abstract要約: 本稿では,侵入検知システムに対するTA-RS(Traffic-Aware Randomized Smoothing)を提案する。ガウスノイズを制御可能部分空間(DC)にのみ注入する認証された防御法である。 2つのデータセットに対して、55-100%の認証精度を達成する。
参考スコア（独自算出の注目度）: 1.4915002678801434
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large language model (LLM)-based intrusion detection systems (IDS) are increasingly studied for security monitoring, yet their robustness against feasible traffic manipulation remains largely empirical. We present Traffic-Aware Randomized Smoothing (TA-RS), a classifier-agnostic certified defense that injects Gaussian noise exclusively into the directly controllable (DC) subspace -- features a remote attacker can modify -- during both fine-tuning and certification, aligning the smoothing distribution with the attacker-controllable subspace. We identify a critical prerequisite: applying standard randomized smoothing to clean-trained LLM-IDS yields weak certified accuracy in three of four (model, dataset) pairs tested (14-33%, at or below random) and only 57% in the fourth (43 pp below the noise-augmented result); noise-augmented fine-tuning recovers to 68-100% on two of three benchmark datasets (at sigma=0.25). At the L_inf-equivalent threshold R_inf = epsilon*sqrt(|DC|) (epsilon=0.05), TA-RS achieves 55-100% certified accuracy on CIC-IDS-2018 and HIKARI-2021, with median certified radii (R approx 0.45-0.96) exceeding R_inf by 1.8-5x (across sigma=0.25-1.00). Against a fairly trained iso-trained RS baseline the residual advantage is dataset-dependent (4-19 pp on CIC-IDS-2018). The larger gap -- up to 72 pp against an isotropic RS baseline that shares the DC-noise-augmented training recipe -- primarily reflects the training-certification mismatch rather than DC alignment alone: isotropic test-time noise perturbs uncontrollable features the attacker cannot exploit, triggering abstention rates up to 68%. RT-IoT2022 probes the limits of the method: it fails under the default fine-tuning recipe but recovers to 76%/69% certified accuracy (LLaMA3-8B/Qwen3-8B) when noise augmentation is increased.
Abstract（参考訳）: 大規模言語モデル (LLM) に基づく侵入検知システム (IDS) は, セキュリティ監視のためにますます研究されている。そこで我々は,TA-RS(Traffic-Aware Randomized Smoothing)という,ガウスノイズを直接制御可能な(DC)サブスペースにのみ注入する,分類器に依存しない認証ディフェンスを紹介した。クリーントレーニングLLM-IDSに標準ランダムスムーシングを適用すると、テストされた4つの(モデル、データセット)ペア(14-33%以下)と4番目の(43pp以下)の57%(ノイズ強化結果)の3つのうちの3つのベンチマークデータセット(sigma=0.25)のうち68-100%の精度が低下する。 L_inf等価しきい値 R_inf = epsilon*sqrt(|DC|) (epsilon=0.05) において、TA-RS は CIC-IDS-2018 と HIKARI-2021 に対して 55-100% の認証精度を達成する。かなり訓練されたイソトレーニングRSベースラインに対して、残留的な優位性はデータセットに依存している(CIC-IDS-2018の4-19 pp)。最大72ppの差は、DCノイズ増強トレーニングレシピを共有する等方性RSベースラインに対するもので、主にDCアライメントのみではなくトレーニング認定ミスマッチを反映している。 RT-IoT2022は、デフォルトの微調整のレシピでフェールするが、ノイズの増大に伴って76%/69%の認証精度(LLaMA3-8B/Qwen3-8B)に回復する。

関連論文リスト

Delay-Aware Active Triangulation with Uncertainty-Driven Multi-Agent Reinforcement Learning for Counter-UAS [5.4271995156436965]
マルチエージェントアクティブな視覚三角測量により、移動オブザーバを制御可能なカメラで調整することにより、航空目標の正確な3次元位置決めが可能になる。我々は,Counter-UASアプリケーションにおけるターゲットローカライゼーションのための遅延認識,不確実性駆動型マルチエージェント強化学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-07-07T07:58:13Z)
When Can Conformal Risk Control Certify LLM Outputs? Bounds, Impossibility, and Adaptation for Structured Generation [0.11280931253550518]
構造化世代 (NER, 抽出, QA, 分類) にデプロイされる大規模言語モデル (LLM) には、正式な信頼性保証がない。我々は、共形リスク制御(CRC)が構造化LLM出力を証明でき、かつ、それが証明不可能な場合に特徴付ける。
論文参考訳（メタデータ） (2026-06-27T19:25:07Z)
Calibration Without Comprehension: Diagnosing the Limits of Fine-Tuning LLMs for Vulnerability Detection in Systems Software [1.0026496861838445]
CWE-Traceは、手動でキュレートされたLinuxカーネルサンプルから構築された脆弱性検出フレームワークである。対象でない検出,ターゲット検出,CWE分類において,8つのバニラLLMと15のLORA微調整変異体を評価した。
論文参考訳（メタデータ） (2026-06-18T17:19:26Z)
Online Shift Detection and Conformal Adaptation for Deployed Safety Classifiers [0.0]
デプロイされた安全分類器における分散シフトのオンラインモニタリングシステムを提案する。検出後、共形吸収層は、目標誤差を回復する決定に適応する。このシステムは平均遅延39.5800ステップで86.6%の検知を実現している。
論文参考訳（メタデータ） (2026-06-10T11:24:25Z)
Rethinking Noise-Robust Training for Frozen Vision Foundation Models: A Cross-Dataset Benchmark with a Case Study of Small-Loss Failure [7.512887610816016]
軽微な分類ヘッドを持つ凍結視覚基礎モデル (VFM) は、医用画像の撮影にますます利用されている。 5つの医療データセット,3つのバックボーン,2つのノイズタイプ,5つのノイズレートにまたがる8つのノイズラベル手法のベンチマークを示す。我々は,エビデンスに基づく指導と,実践的な勧告のための低信頼度特徴空間セレクタで締めくくる。
論文参考訳（メタデータ） (2026-05-21T15:02:44Z)
Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文参考訳（メタデータ） (2026-05-15T17:08:27Z)
From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文参考訳（メタデータ） (2026-03-02T13:02:13Z)
Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。 5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
論文参考訳（メタデータ） (2025-10-19T08:21:00Z)
Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文参考訳（メタデータ） (2023-06-23T07:38:09Z)
(Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文参考訳（メタデータ） (2022-06-21T17:27:27Z)
Second-Order Provable Defenses against Adversarial Attacks [63.34032156196848]
ネットワークの固有値が有界であれば、凸最適化を用いて$l$ノルムの証明を効率的に計算できることを示す。認証精度は5.78%,44.96%,43.19%であった。
論文参考訳（メタデータ） (2020-06-01T05:55:18Z)

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。