論文の概要: Enhancing Anomaly Resilience in Research Networks: A Large-Scale Forecasting Benchmark for Dynamic Security Baselining

• arxiv url: http://arxiv.org/abs/2608.05605v1
• Date: Thu, 06 Aug 2026 05:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.700792
• Title: Enhancing Anomaly Resilience in Research Networks: A Large-Scale Forecasting Benchmark for Dynamic Security Baselining
• Title（参考訳）: 研究ネットワークにおける異常回復の促進:動的セキュリティベースラインニングのための大規模予測ベンチマーク
• Abstract要約: 研究教育ネットワーク(Research and Education Networks, RENs)は、科学的な発見のための重要な基盤である。 通常のトラフィックパターンは、DDoS攻撃と統計的に区別できない。 この類似性は、異常検出において高い偽陽性率をもたらす。
• 参考スコア（独自算出の注目度）: 0.5358699163133825
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research and Education Networks (RENs) serve as critical infrastructure for scientific discovery, yet they face a unique security paradox: their normal traffic patterns which are characterized by massive, bursty "elephant flows" are statistically indistinguishable from volumetric attacks such as DDoS to conventional monitoring systems. This similarity leads to high false-positive rates in anomaly detection, blinding security operators to genuine threats. In this paper, we propose and evaluate a high-fidelity traffic forecasting framework designed to establish dynamic security baselines for RENs. Leveraging an exclusive 57-day Internet2 dataset spanning ten backbone routers (13.7 billion packets), we perform the first large-scale benchmark of anomaly-aware forecasting models in this domain. We systematically evaluate six model families, from SARIMA to state-of-the-art long-sequence architectures (TiDE, PatchTST), across 960 experimental configurations. Our results demonstrate that these advanced architectures, particularly TiDE, reduce baseline prediction error by 30-42% compared to traditional methods ($p < 0.001$), significantly improving the distinction between legitimate scientific bursts and potential anomalies. Furthermore, we introduce a novel anomaly-integration strategy that improves model robustness by 3.3% in the presence of noise. This work provides the first statistically validated framework for distinguishing scientific workflows from network attacks, enabling more autonomous and resilient network security operations.
• Abstract（参考訳）: 研究・教育ネットワーク(REN)は科学的発見の重要な基盤として機能するが、それらはユニークなセキュリティパラドックスに直面している。 この類似性は、異常検出において高い偽陽性率をもたらし、セキュリティオペレーターを真の脅威に盲目にする。 本稿では,RENの動的セキュリティベースラインを確立するために設計された高忠実度トラフィック予測フレームワークの提案と評価を行う。 10のバックボーンルータ(137億パケット)にまたがる、57日間の排他的Internet2データセットを活用することで、このドメインで異常認識予測モデルの大規模なベンチマークを初めて実施する。 そこで我々は,SARIMAから最先端の長周期アーキテクチャ(TiDE, PatchTST)に至るまで,960の実験構成で6つのモデルファミリを体系的に評価した。 以上の結果から,これらの先進アーキテクチャ,特にTiDEは従来の手法に比べて,基準線予測誤差を30～42%削減し(p< 0.001$),正当な科学的バーストと潜在的な異常の区別を大幅に改善した。 さらに,ノイズの存在下でモデルロバスト性を3.3%向上させる新しい異常積分手法を提案する。 この研究は、科学的ワークフローとネットワークアタックを区別するための最初の統計的に検証されたフレームワークを提供し、より自律的でレジリエントなネットワークセキュリティ操作を可能にする。

関連論文リスト

• Efficient Traffic Prediction at Scale: A Systematic Study of STGCN Architectural Depth [9.291555165680863]
  単一ブロックアーキテクチャは、4つのデータセットのうち3つの短期予測(10分)に対して最適な性能を達成する。 2ブロックのバリエーションは、CPU推論のレイテンシが61%高く、1ブロックに比べてスループットが37%低い。 3ブロックアーキテクチャは、相対的な改善として0.5%の計算コストを2倍にする以上の、好ましくないトレードオフを提供する。
  論文  参考訳（メタデータ） (2026-06-08T14:23:56Z)
• Assessing Generalisation Capability of Machine Learning Models for Intrusion Detection [12.976685413458243]
  本研究では,UNSW-NB15とTON_IoTを用いた侵入検出のための教師付き機械学習モデルの一般化能力について検討した。 ランダムフォレスト、ロジスティック回帰、ネイブベイズは、同じデータセットとクロスデータセット設定で評価された。 その結果,侵入検出における大きな一般化ギャップが明らかとなった。
  論文  参考訳（メタデータ） (2026-05-06T01:59:09Z)
• Alternating Gradient Flow Utility: A Unified Metric for Structural Pruning and Dynamic Routing in Deep Networks [52.153950303594684]
  交互勾配流(Alternating Gradient Flow, AGF)に着想を得た非結合型運動パラダイムを提案する。 AGFはネットワークの構造的「運動ユーティリティ」を正確にキャプチャする 我々は、AGFに誘導されるオフライン構造探索を、ゼロコストの物理プリミティブを介してオンライン実行から切り離すハイブリッドルーティングフレームワークを設計する。
  論文  参考訳（メタデータ） (2026-03-12T18:19:21Z)
• Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
  本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。 提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。 統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
  論文  参考訳（メタデータ） (2025-10-29T03:47:02Z)
• Causal Graph Profiling via Structural Divergence for Robust Anomaly Detection in Cyber-Physical Systems [25.567981742631005]
  公共インフラシステムにおける信頼性の高いサイバー攻撃検出のために設計された因果グラフに基づく異常検出フレームワーク。 CGADは、因果プロファイリングと異常スコアという2段階の監視フレームワークに従う。 因果構造を利用することで、CGADは非定常および不均衡な時系列環境において優れた適応性と精度を実現する。
  論文  参考訳（メタデータ） (2025-08-13T05:26:43Z)
• GI-NAS: Boosting Gradient Inversion Attacks Through Adaptive Neural Architecture Search [52.27057178618773]
  グラディエント・インバージョン・アタック (Gradient Inversion Attacks) は、Federated Learning (FL) システムの伝達勾配を反転させ、ローカルクライアントの機密データを再構築する。 勾配反転法の大半は明示的な事前知識に大きく依存しており、現実的なシナリオでは利用できないことが多い。 本稿では,ニューラルネットワークを適応的に探索し,ニューラルネットワークの背後にある暗黙の先行情報をキャプチャするニューラルアーキテクチャ探索(GI-NAS)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:29:43Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• From Environmental Sound Representation to Robustness of 2D CNN Models Against Adversarial Attacks [82.21746840893658]
  本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
  論文  参考訳（メタデータ） (2022-04-14T15:14:08Z)
• Unveiling the potential of Graph Neural Networks for robust Intrusion Detection [2.21481607673149]
  本稿では,グラフとして構造化された攻撃の流れパターンを学習するための新しいグラフニューラルネットワーク(GNN)モデルを提案する。 我々のモデルは従来の実験と同等の精度を維持することができる一方、最先端のML技術は敵攻撃下で50%の精度(F1スコア)を低下させる。
  論文  参考訳（メタデータ） (2021-07-30T16:56:39Z)
• From Sound Representation to Model Robustness [82.21746840893658]
  本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。 3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-27T17:30:49Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。