Fugu-MT 論文翻訳(概要): Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation

論文の概要: Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation

arxiv url: http://arxiv.org/abs/2608.04167v1
Date: Tue, 04 Aug 2026 19:24:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-06 14:48:43.601838
Title: Open-World Darknet Traffic Recognition Under Leave-One-Service-Out Evaluation
Title（参考訳）: 残余1サービスアウト評価によるオープンワールドダークネットトラフィック認識
Abstract要約: 本稿では,残業評価と不確実性を考慮したオープンワールドダークネットトラフィック分類フレームワークを提案する。実験結果から,クローズドワールドからオープンワールド環境への移行時の性能劣化が顕著であった。既知のサービスと未知のサービスの間に強い振舞いの類似性は、しばしば誤分類を引き起こす。
参考スコア（独自算出の注目度）: 1.8024397171920885
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Darknet traffic recognition is critical for cyber threat intelligence, as anonymity networks are often used to conceal malicious activity. However, most existing studies rely on closed-world evaluation, assuming all service categories are known during training and testing, which is unrealistic in real-world environments. This paper presents an open-world darknet traffic classification framework using leave-one-service-out evaluation and uncertainty-aware classification with Random Forest and XGBoost models. Experimental results demonstrate significant performance degradation when transitioning from closed-world to open-world settings, demonstrating that closed-world evaluation substantially overestimates deployment robustness. For example, XGBoost Macro-F1 decreases from 88.8% to 46.1% in the I2P environment, while Random Forest performance drops from 87.4% to 45.7%. Although uncertainty-based rejection slightly improves robustness, strong behavioral similarity between known and unknown services leads to frequent misclassification. Semantic absorption analysis further shows that FreeNet video traffic is classified as browsing traffic with an 88.1% assignment rate, while I2P peer-to-peer traffic is absorbed into FTP-related behavior with an 83.4% assignment rate. The findings demonstrate that behavioral overlap remains a major challenge for reliable open-world darknet traffic classification.
Abstract（参考訳）: ダークネットのトラフィック認識はサイバー脅威のインテリジェンスにとって重要であり、匿名ネットワークは悪意のある活動を隠蔽するためにしばしば使用される。しかし、既存のほとんどの研究はクローズドワールドの評価に依存しており、実際の環境では非現実的なトレーニングとテストの間にすべてのサービスカテゴリが知られていると仮定している。本稿では,Random Forest モデルと XGBoost モデルを用いた残業評価と不確実性を考慮したオープンワールドダークネットトラフィック分類フレームワークを提案する。実験結果から,クローズドワールドからオープンワールドへ移行する際の性能劣化が顕著であり,クローズドワールド評価がデプロイメントの堅牢性を大幅に過大評価することを示した。例えば、XGBoost Macro-F1はI2P環境で88.8%から46.1%に減少し、ランダムフォレストのパフォーマンスは87.4%から45.7%に低下した。不確実性に基づく拒絶は頑健さをわずかに改善するが、既知のサービスと未知のサービスの間の強い行動類似性は、しばしば誤分類を引き起こす。セマンティック吸収分析により、FreeNetのビデオトラフィックは88.1%の割当率でブラウジングトラフィックに分類され、I2Pピアツーピアトラフィックは83.4%の割当率でFTP関連行動に吸収されることが示された。この結果は、行動重なり合いが、信頼できるオープンワールドダークネットトラフィック分類において大きな課題であることを示している。

関連論文リスト

Modality-Decoupled Federated Learning for Privacy-Preserving Embodied Intelligence in 6G [90.42669277637026]
第6世代(6G)無線ネットワークは、大規模なインボディードインテリジェンスのための重要な基盤を提供すると期待されている。本稿では、6Gネットワークにおけるプライバシー保護型インテリジェンスのためのモダリティ分離FLフレームワークであるFedMVLAを提案する。
論文参考訳（メタデータ） (2026-09-09T01:36:44Z)
From Noise to Signal: Improving Security Log Anomaly Detection Using LLMs with Endpoint-Specific Logs [0.0]
本研究では,異常な認証動作を検出するための標準命令ベースLCM分類フレームワークを開発した。エンドポイント固有の認証データを生成するために、制御されたサイバーセキュリティテストベッドが開発された。 The three instruction-tuned LLMs, Meta Llama 3.1 8B Instruct, Qwen 2.5 7B Instruct, and GPT-OSS 20B were evaluate against Wazuh rule-based detection and OpenSearch Anomaly Detection。
論文参考訳（メタデータ） (2026-08-20T11:54:56Z)
Behavioral Information Leakage in Darknet Traffic: A Multi-Channel Analysis Across Anonymity Networks [1.8024397171920885]
本稿では,フローレベルのトラフィックを制御,構造,リズミカルな記述群に分解する行動情報漏洩フレームワークを提案する。その結果,行動漏洩は匿名ネットワークによって大きく異なることがわかった。
論文参考訳（メタデータ） (2026-08-04T18:54:46Z)
Characterizing AI-Assisted Bot Traffic in Darknet Data: Implications for ICS and IIoT Security [0.0]
自動スキャンツールとAI支援偵察エージェントの台頭は、インターネットの背景トラフィックパターンを大きく変えた。本稿では,2021年から2025年にかけての1億9200万個の受動ダークネットパケットの時系列データセットをMerit ORION Network Telescopeから解析することにより,自動ボットトラフィックの進化を特徴付ける。
論文参考訳（メタデータ） (2026-05-14T00:07:20Z)
Day-to-Day Traffic Network Modeling under Route-Guidance Misinformation: Endogenous Trust and Resilience in CAV Environments [3.970492757288025]
本稿では,経路誘導誤報に対する日々の交通割当と信頼進化の枠組みを開発する。日々の渋滞はLighthill-Whitham-Richardsネットワークの負荷によって表現されるが、日々の経路選択は有界有理性ロジット学習に従う。 CAV対応トラフィックネットワークにおけるレジリエンス解析の信頼性を考慮したモデリング基盤を提供する。
論文参考訳（メタデータ） (2026-05-13T23:45:53Z)
Metis: Learning to Jailbreak LLMs via Self-Evolving Metacognitive Policy Optimization [51.11398557420066]
我々は、推論時ポリシー最適化としてジェイルブレイクを改定するフレームワークであるMetisを紹介する。メティスは比較手法の中でも89.2%で最強のアタック成功率(ASR)を達成している。冗長な探索を最適化に置き換えることで、Metisはトークンコストを平均8.2倍、最大11.4倍に削減する。
論文参考訳（メタデータ） (2026-05-11T06:45:00Z)
MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。 Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
論文参考訳（メタデータ） (2026-02-27T09:37:05Z)
WebGuard: Building a Generalizable Guardrail for Web Agents [59.31116061613742]
WebGuardは、Webエージェントアクションリスクの評価をサポートするために設計された最初のデータセットである。その中には、22のドメインにわたる193のWebサイトからの4,939の人手によるアノテートアクションが含まれている。
論文参考訳（メタデータ） (2025-07-18T18:06:27Z)
Respond to Change with Constancy: Instruction-tuning with LLM for Non-I.I.D. Network Traffic Classification [17.134758794735678]
LLM(ETooL)を用いた暗号化トラフィックアウトオブディストリビューションインストラクションチューニングという,新しいトラフィック表現モデルを提案する。 ETooLは、自己教師型命令チューニングパラダイムを通じて、交通構造に関する知識とLLMを統合している。教師付きおよびゼロショットのトラフィック分類タスクにおいて、より堅牢な分類性能と優れた一般化を示す。
論文参考訳（メタデータ） (2025-05-27T08:18:16Z)
Facade: High-Precision Insider Threat Detection Using Deep Contextual Anomaly Detection [3.6375936800419564]
Facadeは、Googleにデプロイされた高精度のディープラーニングベースの異常検出システムである。極端に低い偽陽性率、0.01%未満のインサイダー攻撃者を検出する。機密文書への不正アクセスのような単一の不正行為の場合、偽陽性率は0.0003%である。
論文参考訳（メタデータ） (2024-12-09T17:46:28Z)
G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文参考訳（メタデータ） (2023-06-08T07:15:04Z)
Unsatisfied Today, Satisfied Tomorrow: a simulation framework for performance evaluation of crowdsourcing-based network monitoring [68.8204255655161]
本稿では, 性能の低い細胞の検出品質を評価するための実験フレームワークを提案する。このフレームワークは、満足度調査のプロセスとユーザの満足度予測の両方をシミュレートする。シミュレーションフレームワークを用いて、一般的なシナリオにおいて、性能の低いサイト検出の性能を実証的にテストする。
論文参考訳（メタデータ） (2020-10-30T10:03:48Z)

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。