論文の概要: Explainability Boosted Anomaly Detection Framework for O-RAN based NextG Networks
- arxiv url: http://arxiv.org/abs/2608.14826v1
- Date: Fri, 14 Aug 2026 18:59:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.096666
- Title: Explainability Boosted Anomaly Detection Framework for O-RAN based NextG Networks
- Title（参考訳）: O-RANを用いたNextGネットワークのための説明可能性向上型異常検出フレームワーク
- Abstract要約: 本研究では,次世代(NextG)セルネットワークのセキュリティ向上を目的とした,高度な異常検出フレームワークを提案する。
さまざまな人工知能モデルの実装と評価により、このフレームワークは高い精度と効率的なランタイム性能を示す。
この作業の重要な革新は、最も重要なパフォーマンス指標を特定するための、ポストホックな説明可能性メソッドの統合である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The wireless networks have historically faced significant security vulnerabilities, necessitating advanced anomaly detection mechanisms, especially as networks evolve towards 6G and beyond. This study introduces an advanced anomaly detection framework that leverages explainable artificial intelligence to enhance the security of next-generation (NextG) cellular networks. By implementing and evaluating a variety of artificial intelligence models, the framework demonstrates high accuracy and efficient runtime performance in identifying malicious traffic within a realistic Open Radio Access Network (O-RAN) testbed. A key innovation of this work is the integration of post-hoc explainability methods to identify the most critical key performance metrics (KPMs), which enables a significant 80% reduction in dataset complexity without compromising detection accuracy. Additionally, explainability analyses identify several critical attack traffic characteristics, such as protocol type, bandwidth, interval, and duration, to prevent upcoming network attacks. The resulting framework effectively balances computational efficiency, accuracy, and explainability, underscoring its practical applicability for enhancing security in next-generation cellular networks.
- Abstract（参考訳）: 無線ネットワークは歴史的に重大なセキュリティ上の脆弱性に直面しており、特にネットワークが6G以降に進化するにつれて、高度な異常検出機構を必要としている。
本研究では,次世代(NextG)セルネットワークのセキュリティを高めるために,説明可能な人工知能を活用する高度な異常検出フレームワークを提案する。
さまざまな人工知能モデルの実装と評価により、リアルなOpen Radio Access Network(O-RAN)テストベッド内で悪意のあるトラフィックを識別する上で、高精度で効率的なランタイム性能を示す。
この研究の重要な革新は、最も重要なパフォーマンス指標(KPM)を特定するための、ポストホックな説明可能性メソッドの統合である。
さらに、説明可能性分析は、プロトコルタイプ、帯域幅、間隔、時間といったいくつかの重要な攻撃トラフィック特性を特定し、今後のネットワーク攻撃を防ぐ。
このフレームワークは、計算効率、精度、説明可能性のバランスを効果的に保ち、次世代のセルネットワークのセキュリティを強化するための実用性を強調している。
関連論文リスト
- An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks [0.0]
本稿では,多クラス分類,データセット統合,時間的特徴学習を組み合わせた改良型CNN-LSTMによる侵入検出モデルを提案する。
提案手法は,ネットワークトラフィックデータを用いて侵入検知タスクに基づいて評価し,約97%の精度を実現する。
論文 参考訳（メタデータ） (2026-06-04T07:04:57Z) - Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。
この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。
また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
論文 参考訳（メタデータ） (2026-03-26T18:42:57Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - 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) - 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) - Explainable and Resilient ML-Based Physical-Layer Attack Detectors [46.30085297768888]
物理層侵入を警告するために訓練された各種分類器の内部動作を分析する。
有害パラメータのノイズ化に対する検出器のレジリエンスを評価した。
この研究は、利用可能なネットワーク監視データに基づいて訓練された高速で堅牢な検出器を開発するための設計ガイドラインとして機能する。
論文 参考訳（メタデータ） (2025-09-30T17:05:33Z) - One-Class Intrusion Detection with Dynamic Graphs [46.453758431767724]
機械学習に基づく侵入検知は、セキュリティを改善するための有望なアプローチである。
本稿では,最新の動的グラフモデリングと深部異常検出に基づく新しい侵入検出手法TGN-SVDDを提案する。
本稿では,現実的な侵入検出データに対して,いくつかのベースラインよりも優れていることを示すとともに,後者のより困難なバリエーションを提案する。
論文 参考訳（メタデータ） (2025-08-18T12:36:55Z) - Efficient IoT Intrusion Detection with an Improved Attention-Based CNN-BiLSTM Architecture [0.2356141385409842]
本稿では,ボットネット攻撃を検出するためのコンパクトで効率的な手法を提案する。
提案手法は,N-BaIoTデータセットを用いたボットネット攻撃の検出において,99%の分類精度を実現する。
論文 参考訳（メタデータ） (2025-03-25T04:12:14Z) - X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。
本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。
本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
論文 参考訳（メタデータ） (2024-02-01T18:29:16Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - 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。