論文の概要: A Calibrated and Explainable Bimodal Machine Learning Framework for Hybrid Intrusion Detection
- arxiv url: http://arxiv.org/abs/2608.16160v1
- Date: Mon, 17 Aug 2026 06:25:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.556661
- Title: A Calibrated and Explainable Bimodal Machine Learning Framework for Hybrid Intrusion Detection
- Title（参考訳）: ハイブリッド侵入検知のための校正・説明可能なバイモーダル機械学習フレームワーク
- Abstract要約: 現代の通信システムは、未知の攻撃や稀な脅威クラスの検出において重大なギャップに直面している。
ネットワークセキュリティのための校正および説明可能な機械学習(ML)のバイモーダルフレームワークを提案する。
我々のフレームワークは、ディープラーニングの複雑さを伴わずに、オープンセットの一般化と既知のクラス精度を統一する。
- 参考スコア（独自算出の注目度）: 2.7368401741397377
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern communication systems face critical gaps in detecting unknown attacks and rare threat classes due to extreme data imbalance and black-box decision logic. We propose a bimodal framework of calibrated and explainable machine learning (ML) for network security, unifying known-class precision with open-set generalization without the complexity of deep learning. Our framework introduces security-oriented feature extraction to enhance signal-to-noise ratio, hybrid resampling (ADASYN + manual boosting) to reduce class imbalance, isotonic calibration and adaptive thresholding ($τ=0.30$ for XSS) to recover recall for rare attacks, and SHAP-based explainability to validate domain-aligned decision logic. Evaluated on the CIC-IDS2017 dataset and compared with prior ML models and studies, our framework achieves significant accuracy on known attacks (Macro F1 = 0.8626) and detects unknown classes at 1% FPR with TPR up to 90.17% (DoS slowloris), and 77.04% (Web-XSS). The SHAP analysis confirms decisions are driven by security-relevant features, not model artifacts. Our work bridges the gap between theoretical models and operational IDS by delivering calibrated, explainable, and open-set-capable attack detection and prevention in a single, reproducible framework. Keywords: intrusion detection, cybersecurity and privacy, explainable AI, machine learning
- Abstract（参考訳）: 現代の通信システムは、極端なデータ不均衡とブラックボックス決定論理のため、未知の攻撃や稀な脅威クラスの検出において重大なギャップに直面している。
本稿では、ネットワークセキュリティのための校正および説明可能な機械学習(ML)のバイモーダルフレームワークを提案し、ディープラーニングの複雑さを伴わずに、オープンセットの一般化と既知のクラス精度を統一する。
本フレームワークでは,信号対雑音比を高めるためのセキュリティ指向の特徴抽出,クラス不均衡を低減するためのハイブリッドリサンプリング(ADASYN+手動ブースト),異方性校正と適応しきい値設定(τ=0.30ドル,XSS)を導入し,レア攻撃のリコールを再現する。
CIC-IDS2017データセットに基づいて評価し、従来のMLモデルや研究と比較すると、既知の攻撃(Macro F1 = 0.8626)に対してかなりの精度を達成し、未知のクラスをTPRで1% FPRで90.17%(DoS slowloris)、77.04%(Web-XSS)で検出する。
SHAP分析では、決定はモデルアーティファクトではなく、セキュリティ関連機能によって実行されていることを確認している。
我々の研究は、単一の再現可能なフレームワークで、校正された、説明可能な、オープンセット可能な攻撃検出と予防を提供することによって、理論モデルと運用IDSのギャップを埋める。
キーワード:侵入検知、サイバーセキュリティ、プライバシー、説明可能なAI、機械学習
関連論文リスト
- Test-Time Unlearning via Sparse Autoencoder [55.4290003355764]
ARIAは,モデルウェイトをそのまま残して,世代が無視関連状態に入る場合にのみ,不要な知識へのアクセスをゲートするテスト時アンラーニング手法である。
ARIAは、思考モデルと命令モデルの両方にわたるウェイトベースベースラインに対する忘れがちなトレードオフを改善します。
論文 参考訳（メタデータ） (2026-09-14T18:58:09Z) - Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy [51.758416625168]
ランダムな平滑化は、敵の摂動に対する堅牢性を証明するための強力なツールである。
本稿では,複雑な構成機構の認証のためのフレームワークを提案する。
複雑な脅威モデル下での堅牢性を証明するために複合メカニズムを使用するための原則的で一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2026-05-20T22:17:29Z) - Human-Centered Explainable AI for Security Enhancement: A Deep Intrusion Detection Framework [0.0]
本稿では,深層学習モデルの透明性を高めるために,説明可能な人工知能(XAI)を統合した新しいIDSフレームワークを提案する。
このフレームワークはベンチマークデータセットNSL-KDDを用いて実験的に評価され、従来のIDSやブラックボックス深層学習モデルと比較して優れた性能を示した。
論文 参考訳（メタデータ） (2026-02-04T20:33:27Z) - Hybrid Ensemble Method for Detecting Cyber-Attacks in Water Distribution Systems Using the BATADAL Dataset [1.4975436239088316]
配水システムにおけるサイバー攻撃の検出能力を向上するハイブリッドアンサンブル学習モデルを検討する。
提案フレームワークは, 時間依存型産業システムにおいて, サイバー攻撃検出のための堅牢でスケーラブルなソリューションを確立する。
論文 参考訳（メタデータ） (2025-12-16T14:07:22Z) - Attack-Specialized Deep Learning with Ensemble Fusion for Network Anomaly Detection [1.2461503242570642]
従来の侵入検知システムは、頻繁な攻撃と稀な攻撃の両方で高い精度を維持するのに苦労している。
本稿では,特殊なディープラーニングモデルとアンサンブルメタ分類器を統合したハイブリッドな異常検出フレームワークを提案する。
提案システムでは,誤報を最小限に抑えたほぼ完全な検出率を実現し,その堅牢性と一般化性を強調した。
論文 参考訳（メタデータ） (2025-10-14T12:41:16Z) - A Comparative Analysis of Ensemble-Based Machine Learning Approaches with Explainable AI for Multi-Class Intrusion Detection in Drone Networks [0.2708211191235587]
本研究の目的は、ドローンネットワークに適した堅牢で解釈可能な侵入検知フレームワークを開発することである。
我々は、ラベル付きデータセットでトレーニングされたランダムフォレスト、エクストラツリー、AdaBoost、CatBoost、XGBoostといったアンサンブルベースの機械学習モデルの比較分析を行う。
提案するアプローチは、ほぼ完全な精度を提供するだけでなく、解釈可能性も保証し、リアルタイムかつ安全クリティカルなドローン操作に非常に適している。
論文 参考訳（メタデータ） (2025-09-23T00:59:21Z) - Robust Anomaly Detection in Network Traffic: Evaluating Machine Learning Models on CICIDS2017 [0.0]
筆者らはCICIDS 2017データセット上で, 4つの代表モデルの比較を行った。
SupervisedとCNNは、慣れ親しんだ攻撃に対してほぼ完璧な精度を達成したが、新しい攻撃に対して劇的なリコールの損失を被った。
監視されていないLOFは、誤報の高揚を犠牲にして、適度な全体的な精度と未知の脅威に対する高いリコールを達成する。
論文 参考訳（メタデータ） (2025-06-23T15:31:10Z) - Lie Detector: Unified Backdoor Detection via Cross-Examination Framework [68.45399098884364]
半正直な設定で一貫したバックドア検出フレームワークを提案する。
本手法は,SoTAベースラインよりも5.4%,1.6%,11.9%の精度で検出性能が向上する。
特に、マルチモーダルな大規模言語モデルにおいて、バックドアを効果的に検出するのは、これが初めてである。
論文 参考訳（メタデータ） (2025-03-21T06:12:06Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - 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) - Learning and Certification under Instance-targeted Poisoning [49.55596073963654]
インスタンスターゲット中毒攻撃におけるPAC学習性と認証について検討する。
敵の予算がサンプルの複雑さに比例してスケールすると、PACの学習性と認定が達成可能であることを示す。
実データセット上でのK近傍, ロジスティック回帰, 多層パーセプトロン, 畳み込みニューラルネットワークの堅牢性を実証的に検討する。
論文 参考訳（メタデータ） (2021-05-18T17:48:15Z)
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。