Fugu-MT 論文翻訳(概要): Micro-Segmentation Anomaly Detection in Zero-Trust Software-Defined Network Fabrics

論文の概要: Micro-Segmentation Anomaly Detection in Zero-Trust Software-Defined Network Fabrics

arxiv url: http://arxiv.org/abs/2608.02627v1
Date: Fri, 24 Jul 2026 22:16:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-09 10:00:34.269819
Title: Micro-Segmentation Anomaly Detection in Zero-Trust Software-Defined Network Fabrics
Title（参考訳）: ゼロトラストソフトウェア決定ネットワークファブリックにおけるマイクロセグメンテーション異常検出
Abstract要約: 本稿では,ソフトウェア定義ネットワーク(SDN)システムにおけるマイクロセグメンテーションによる異常検出について検討する。視覚変換器(ViT)と1D畳み込みニューラルネットワーク(1D-CNN)の2つのモデルが開発されている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Zero Trust Architecture (ZTA) principles need rigorous network segmentation and ongoing verification to reduce implicit trust and lateral threat propagation. This paper investigates anomaly detection in software-defined networking (SDN) systems by micro-segmentation, using deep learning models to detect harmful actions that evade traditional coarse-grained monitoring. Two models are developed: a Vision Transformer (ViT) and a 1D Convolutional Neural Network (1D-CNN), which are used to both raw and micro-segmented network flow data. Experimental findings from a simulated zero-trust SDN dataset indicate that micro-segmentation substantially improves detection accuracy. The models trained on segmented input demonstrate enhanced accuracy and F1-scores (F1 = 0.95) compared to those utilizing unsegmented raw data (F1 = 0.90). The ViT-based detector marginally surpasses the 1D-CNN, particularly in recognizing nuanced lateral movement patterns that are unnoticed in unprocessed data. These findings highlight the significance of including micro-segmentation inside zero-trust networks to enhance intrusion detection efficacy. Future efforts will broaden this methodology to include extensive real-world network datasets and dynamic online segmentation techniques.
Abstract（参考訳）: Zero Trust Architecture (ZTA)の原則は、暗黙の信頼と横の脅威伝達を減らすために、厳密なネットワークセグメンテーションと継続的な検証を必要とする。本稿では,ソフトウェア定義ネットワーク(SDN)システムにおけるマイクロセグメンテーションによる異常検出をディープラーニングモデルを用いて検討し,従来型の粗粒度モニタリングを回避した有害な動作を検出する。ビジョントランス (ViT) と1D-CNN (1D-CNN) の2つのモデルが開発されている。シミュレーションされたゼロトラストSDNデータセットによる実験結果から,マイクロセグメンテーションが検出精度を大幅に向上することが示された。セグメント化された入力でトレーニングされたモデルでは、未分割の生データ(F1 = 0.90)に比べて精度が向上し、F1スコア(F1 = 0.95)が得られた。 ViTベースの検出器は、1D-CNNをわずかに上回り、特に未処理のデータに気付かない微妙な横動きパターンを認識する。これらの結果は,侵入検出の有効性を高めるため,ゼロトラストネットワーク内にマイクロセグメンテーションを組み込むことの重要性を浮き彫りにした。今後の取り組みは、この方法論を拡張して、広範な現実世界のネットワークデータセットと動的オンラインセグメンテーション技術を含める予定である。

関連論文リスト

NetDiffuser: Deceiving DNN-Based Network Attack Detection Systems with Diffusion-Generated Adversarial Traffic [1.8225278540778656]
本稿では,ネットワーク侵入検知システム (NIDS) を無効化可能な自然敵例(NAE)を生成するためのフレームワークであるNetDiffuserを提案する。 NetDiffuserは攻撃成功率を29.93%向上させ、AE検出性能を少なくとも0.267(時には0.534まで)削減する。
論文参考訳（メタデータ） (2026-03-09T20:13:51Z)
HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。既存の手法の精度、F1スコア、精度を著しく上回っている。
論文参考訳（メタデータ） (2025-11-06T16:15:19Z)
Information-Bottleneck Driven Binary Neural Network for Change Detection [53.866667209237434]
Binarized Change Detection (BiCD) は、変更検出用に設計された最初のバイナリニューラルネットワーク(BNN)である。 Information Bottleneck (IB) の原則に基づく補助的目的を導入し,本質的な入力情報を保持するようにエンコーダを誘導する。 BiCDは、BNNベースの変更検出のための新しいベンチマークを確立し、この領域で最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-07-04T11:56:16Z)
10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。 BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
論文参考訳（メタデータ） (2025-03-04T14:25:51Z)
A Temporal Convolutional Network-based Approach for Network Intrusion Detection [0.0]
本研究では,ネットワークトラフィックデータの依存関係をキャプチャするために,拡張畳み込みを伴う残差ブロックアーキテクチャを特徴とする時間畳み込みネットワーク(TCN)モデルを提案する。提案したモデルは96.72%の精度と0.0688の損失を達成し、1D CNN、CNN-LSTM、CNN-GRU、CNN-BiLSTM、CNN-GRU-LSTMモデルを上回った。
論文参考訳（メタデータ） (2024-12-23T10:19:29Z)
NIDS Neural Networks Using Sliding Time Window Data Processing with Trainable Activations and its Generalization Capability [0.0]
本稿では,ネットワーク侵入検知システム(NIDS)のためのニューラルネットワークについて述べる。ディープパケットインスペクションに頼らず、ほとんどのNIDSデータセットで見つからず、従来のフローコレクタから簡単に取得できる11の機能しか必要としない。報告されたトレーニング精度は、提案手法の99%を超え、ニューラルネットワークの入力特性は20に満たない。
論文参考訳（メタデータ） (2024-10-24T11:36:19Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
Enabling certification of verification-agnostic networks via memory-efficient semidefinite programming [97.40955121478716]
本稿では,ネットワークアクティベーションの総数にのみ線形なメモリを必要とする一階二重SDPアルゴリズムを提案する。 L-inf の精度は 1% から 88% ,6% から 40% に改善した。また,変分オートエンコーダの復号器に対する2次安定性仕様の厳密な検証を行った。
論文参考訳（メタデータ） (2020-10-22T12:32:29Z)
1D CNN Based Network Intrusion Detection with Normalization on Imbalanced Data [0.19336815376402716]
侵入検知システム(IDS)は、コンピュータネットワークにおいて、コンピュータ資源とデータを外部攻撃から保護する重要な役割を担っている。最近のIDSは、予期せぬ、予測不能な攻撃に対するIDSの柔軟性と効率性を向上する課題に直面している。 1次元畳み込みニューラルネットワーク(1D-CNN)を用いた効率的かつ柔軟なIDS構築のための深層学習手法を提案する。
論文参考訳（メタデータ） (2020-03-01T12:23:46Z)

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。