論文の概要: When Time Meets Space: Entropy Integration and Dynamic Threshold for Adaptive DDoS Detection in SDN
- arxiv url: http://arxiv.org/abs/2608.15642v1
- Date: Sun, 16 Aug 2026 09:17:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.372653
- Title: When Time Meets Space: Entropy Integration and Dynamic Threshold for Adaptive DDoS Detection in SDN
- Title（参考訳）: Time Meets Space: SDNにおける適応型DDoS検出のためのエントロピー統合と動的閾値
- Abstract要約: 本稿では、DDoS攻撃のための軽量時間エントロピー検出器を提案する。
ウィンドウ毎に3.95ミリ秒のコア処理と11.65%のシステム全体のCPUデプロイを必要とする。
- 参考スコア（独自算出の注目度）: 24.48377951509124
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entropy-based Distributed Denial of Service (DDoS) detection in Software-Defined Networking (SDN) commonly relies on spatial traffic distributions and static or loosely adaptive thresholds, making it vulnerable to legitimate traffic fluctuations in Internet of Things (IoT) environments. This paper proposes a lightweight spatiotemporal entropy-based detector for DDoS attacks. Spatial entropy is computed from dynamically selected traffic attribute pairs, while temporal entropy captures the randomness of packet inter-arrival times. The two normalized entropy measures are fused into a unified indicator and evaluated using a constrained second-order Exponentially Weighted Moving Average threshold that jointly tracks entropy trend and volatility. To prevent attack-contaminated observations from biasing threshold adaptation, threshold updates are performed only for windows classified as normal. Testbed results show 99.26% recall, a 0.9737 F1-score, and a 3.2% false positive rate (41.74% below that of spatial entropy alone). On CICDDoS2019, the method achieves an FPR of 0 and remains competitive with machine-learning-based methods. It requires 3.95 ms of core processing per window and 11.65% system-wide CPU utilization, supporting resource-constrained edge and IoT deployment.
- Abstract（参考訳）: EntropyベースのSoftware-Defined Networking(SDN)におけるDDoS(Distributed Denial of Service)検出は、一般的に、空間的なトラフィック分布と静的またはゆるやかな適応しきい値に依存しており、IoT(Internet of Things)環境での正当なトラフィック変動に対して脆弱である。
本稿では、DDoS攻撃のための軽量時空間エントロピー検出器を提案する。
空間エントロピーは動的に選択されたトラフィック属性ペアから計算され、時間エントロピーはパケット間のランダム性をキャプチャする。
2つの正規化エントロピー尺度は統一された指標に融合し、エントロピー傾向とボラティリティを共同で追跡する2次指数重み移動平均閾値を用いて評価する。
偏差しきい値適応による攻撃汚染観測を防止するため、通常に分類されるウィンドウに対してのみしきい値更新を行う。
テストベッドの結果は、99.26%のリコール、0.9737 F1スコア、および3.2%の偽陽性率(空間エントロピーの41.74%以下)を示している。
CICDDoS2019では、この手法は0のFPRを達成し、マシンラーニングベースの手法と競合し続けている。
ウィンドウ毎に3.95ミリ秒のコア処理と11.65%のシステム全体のCPU利用が必要で、リソース制約のあるエッジとIoTデプロイメントをサポートする。
関連論文リスト
- Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。
本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-22T18:38:39Z) - Deconstructing Off-Policy Ratios: Entropy-Scaled Trust Regions for Asynchronous Reinforcement Learning [6.667218294299622]
非同期強化学習(RL)は、ポリシー最適化と重複するロールアウト生成によって、大規模言語モデル(LLM)の訓練後を加速する。
既存の方法では、トークンの重要度のみに基づいてトークンを保管または廃棄するのが一般的である。
本研究では,各トークンの局所的なエントロピーによるオフ・ポリティクスの偏差を拡大するエントロピー・スケール・トラスト・リージョン(ESTR)を提案する。
論文 参考訳（メタデータ） (2026-07-24T10:55:42Z) - Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - Adaptive Tensor Network Simulation via Entropy-Feedback PID Control and GPU-Accelerated SVD [0.0]
ボンドディメンションチは、精度と計算コストのトレードオフを制御する。
固定結合次元戦略は、低絡み領域の廃棄物資源を廃棄するか、高絡み領域の忠実さを失うかのいずれかである。
この研究は、フォン・ノイマンのフィードバックとPID(Proportional-Integral-Derivative)コントローラを利用するボンド次元管理フレームワークを導入する。
論文 参考訳（メタデータ） (2026-04-05T04:30:46Z) - Collaborative Zone-Adaptive Zero-Day Intrusion Detection for IoBT [9.82963599072781]
本稿では、未確認の攻撃タイプに対する協調検出およびモデル改善フレームワークであるZAIDを提案する。
ZAIDは、一般化可能なトラフィック表現のための普遍的畳み込みモデル、補助的な異常スコアとしてのオートエンコーダベースの再構成信号、パラメータ効率のよいゾーン適応のための軽量アダプタモジュールを組み合わせる。
我々は、MITM、DDoS、DoSを教師付きトレーニングから除外するゼロデイプロトコルを用いて、ToN_IoT上のZAIDを評価し、ゾーンレベルのデプロイメントと適応中にそれらを導入する。
論文 参考訳（メタデータ） (2026-02-18T00:02:15Z) - Federated Spatiotemporal Graph Learning for Passive Attack Detection in Smart Grids [2.721477719641864]
本稿では,時間的ウィンドウ上で物理層と行動指標を融合させて受動的攻撃を検出するグラフ中心型マルチモーダル検出器を提案する。
テスト精度は98.32%、シーケンス毎の93.35%を0.15% FPRで達成している。
論文 参考訳（メタデータ） (2025-09-29T08:52:30Z) - Time Is a Feature: Exploiting Temporal Dynamics in Diffusion Language Models [57.474294329887236]
拡散大言語モデル (dLLMs) は反復的 denoising を通じてテキストを生成する。
現在のデコード戦略は、最終的な出力に有利なリッチな中間予測を捨てている。
時間的整合性を利用する2つの相補的手法を導入する。
論文 参考訳（メタデータ） (2025-08-12T17:59:57Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - DASA: Delay-Adaptive Multi-Agent Stochastic Approximation [64.32538247395627]
我々は,N$エージェントが並列に動作し,中央サーバと通信することで,一般的な近似問題を高速化することを目的とした設定を考える。
遅延とストラグラーの効果を軽減するために,マルチエージェント近似のための遅延適応アルゴリズムである textttDASA を提案する。
論文 参考訳（メタデータ） (2024-03-25T22:49:56Z) - Resilience of Entropy Model in Distributed Neural Networks [7.6340310234573465]
エントロピー符号化は、通信オーバーヘッドをさらに減らすために導入された。
本稿では,エントロピーモデルの意図的干渉と意図的干渉に対するレジリエンスについて検討する。
本研究では,攻撃入力の送信オーバーヘッドを約9%削減できる新しい防御機構を提案する。
論文 参考訳（メタデータ） (2024-03-01T19:39:19Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。