論文の概要: Enhanced Multi-Class DDoS Attack Identification using a Meta-Learning Ensemble
- arxiv url: http://arxiv.org/abs/2607.16521v1
- Date: Fri, 17 Jul 2026 21:48:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.173407
- Title: Enhanced Multi-Class DDoS Attack Identification using a Meta-Learning Ensemble
- Title（参考訳）: メタ学習アンサンブルを用いたマルチクラスDDoS攻撃識別
- Abstract要約: 本稿では,高精度なマルチクラス分類モデルを中心に,ロバストな侵入検知フレームワークを提案する。
本稿では,Long Short-Term Memory(LSTM),K-Nearest Neighbors(KNN),Random Forest(RF)モデルを組み合わせたアンサンブルアーキテクチャを提案する。
我々の研究は、DDoS脅威識別のためのメタラーニングアンサンブルの価値を強調し、より適応的で効果的な防御メカニズムへの道を開く。
- 参考スコア（独自算出の注目度）: 0.897214437002284
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distributed Denial of Service (DDoS) attacks continue to pose significant threats to network availability and security. While many detection systems focus on binary classification (attack vs. benign), effective mitigation often requires identifying the specific type of DDoS attack. This paper introduces a robust intrusion detection framework centered around a high-accuracy, multi-class classification model designed to precisely identify various DDoS attack types. We propose an ensemble architecture integrating Long Short-Term Memory (LSTM), K-Nearest Neighbors (KNN), and Random Forest (RF) models, whose outputs are synthesized by a Logistic Regression meta-learner. This approach explicitly addresses the ambiguity often encountered when combining predictions from multiple independent classifiers. Evaluated on the CIC-DDoS2019 dataset, our proposed ensemble meta-learning model achieves 96% accuracy in the multi-class identification task, significantly outperforming a baseline chain model (combining individual binary classifiers), which reached 92% accuracy and suffered from high ambiguity. Furthermore, integration and testing within a Software-Defined Networking (SDN) environment using Mininet and the Ryu controller demonstrated the practical applicability of our model, achieving 93% accuracy in identifying DDoS types in the emulated network traffic. Our work highlights the value of meta-learning ensembles for nuanced DDoS threat identification, paving the way for more adaptive and effective defense mechanisms.
- Abstract（参考訳）: DDoS(Distributed Denial of Service)攻撃は、ネットワーク可用性とセキュリティに重大な脅威をもたらし続けている。
多くの検出システムはバイナリ分類(攻撃対良性)に重点を置いているが、効果的な緩和には特定のDDoS攻撃の種類を特定する必要があることが多い。
本稿では,様々なDDoS攻撃タイプを正確に識別するための高精度・マルチクラス分類モデルを中心に,堅牢な侵入検知フレームワークを提案する。
本稿では,Long Short-Term Memory(LSTM),K-Nearest Neighbors(KNN),Random Forest(RF)モデルを統合するアンサンブルアーキテクチャを提案する。
このアプローチは、複数の独立分類器からの予測を組み合わせる際にしばしば発生するあいまいさに明示的に対処する。
CIC-DDoS2019データセットに基づいて,提案したアンサンブルメタ学習モデルは,マルチクラス識別タスクにおいて96%の精度を達成し,ベースラインチェーンモデル(個別のバイナリ分類器の組み合わせ)を著しく上回り,92%の精度に達し,曖昧さに悩まされている。
さらに,Mininet と Ryu コントローラを用いた Software-Defined Networking (SDN) 環境における統合とテストにより,本モデルの実用性を示した。
我々の研究は、DDoS脅威識別のためのメタラーニングアンサンブルの価値を強調し、より適応的で効果的な防御メカニズムへの道を開く。
関連論文リスト
- Dueling Deep Q-Learning for Intrusion Detection [0.3805935148497361]
サイバー脅威を検知・報告する侵入検知システム(IDS)と自動システムは通常、教師付き機械学習手法によって処理される。
本研究は、IDSに対する報酬に基づくQ-ラーニングモデルを用いて、複数の攻撃クラスで平均99.68%の精度を達成し、新しいアプローチを提案する。
論文 参考訳（メタデータ） (2026-08-11T16:55:00Z) - Consistency-Regularized GAN for Few-Shot SAR Target Recognition [40.2533418376231]
合成開口レーダ(SAR)画像におけるわずかなショット認識は、極端なデータ不足のため、現実世界のアプリケーションにとって重要なボトルネックとなっている。
有望な戦略としては、GAN(Generative Adversarial Network)を備えた大規模なデータセット、自己教師付き学習(SSL)によるモデルの事前トレーニング、ラベル付きサンプルの微調整などがある。
このアプローチは基本的なパラドックスに直面する: 従来のGAN自身は、安定したトレーニングのために豊富なデータを必要とし、少数ショット学習の前提に反する。
多様な高次合成を目的とした新しいフレームワークCr-GANを提案する。
論文 参考訳（メタデータ） (2026-01-22T06:02:39Z) - Elevating Intrusion Detection and Security Fortification in Intelligent Networks through Cutting-Edge Machine Learning Paradigms [5.706727902661187]
本研究では,頑健なマルチクラス機械学習による侵入検出フレームワークを提案する。
高度な特徴選択技術を統合して、重要な属性を識別し、冗長性を緩和し、検出精度を向上する。
提案したアンサンブルアーキテクチャは,98%の精度,98%の精度,98%のリコール,2%の偽陽性率で優れた性能を実現する。
論文 参考訳（メタデータ） (2025-12-22T05:14:26Z) - Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification [52.63017280231648]
人物再識別(ReID)は、歩行者軌道追跡などの現実の多くの応用において、基本的な課題である。
Person ReIDモデルは、歩行者画像に対する知覚不能な摂動が完全に誤った予測を引き起こすような、敵の攻撃に非常に敏感である。
本稿では,2つの相からなる二重不変防衛フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-13T03:56:40Z) - Attack-Specialized Deep Learning with Ensemble Fusion for Network Anomaly Detection [1.2461503242570642]
従来の侵入検知システムは、頻繁な攻撃と稀な攻撃の両方で高い精度を維持するのに苦労している。
本稿では,特殊なディープラーニングモデルとアンサンブルメタ分類器を統合したハイブリッドな異常検出フレームワークを提案する。
提案システムでは,誤報を最小限に抑えたほぼ完全な検出率を実現し,その堅牢性と一般化性を強調した。
論文 参考訳（メタデータ） (2025-10-14T12:41:16Z) - Enhancing Network Security: A Hybrid Approach for Detection and Mitigation of Distributed Denial-of-Service Attacks Using Machine Learning [0.0]
DDoS(Distributed Denial-of-Service)攻撃は、DoS(DoS)攻撃の先進的な形態を表している。
本稿では,1次元畳み込みニューラルネットワーク(CNN)の特徴抽出能力とランダムフォレスト(RF)とマルチレイヤパーセプトロン(MLP)の分類能力を組み合わせることで,ネットワークセキュリティを強化するハイブリッドモデルを提案する。
Snortは、さまざまなDDoS攻撃を検出し緩和するための堅牢で適応的なソリューションを提供します。
論文 参考訳（メタデータ） (2025-03-07T14:47:56Z) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - Optimized IoT Intrusion Detection using Machine Learning Technique [0.0]
侵入検知システム(IDS)は様々な攻撃に対する防御に不可欠である。
IoT IDSシステムの機能的および物理的多様性は、重大な問題を引き起こす。
本研究は、特異性に基づくIDSに対して、新しい成分選択抽出戦略を提案し、実装する。
論文 参考訳（メタデータ） (2024-12-03T21:23:54Z) - Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。
本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。
このアプローチは、潜在空間における表現学習の強みを生かしている。
論文 参考訳（メタデータ） (2024-06-04T03:22:52Z) - Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。
異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
論文 参考訳（メタデータ） (2023-12-18T05:42:31Z) - Distributed Adversarial Training to Robustify Deep Neural Networks at
Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。
このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。
複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2022-06-13T15:39:43Z)
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。