論文の概要: Cognitive Graph Intelligence for Adaptive and Robust DDoS Attack Detection in Next Generation Networks

• arxiv url: http://arxiv.org/abs/2608.17352v1
• Date: Tue, 18 Aug 2026 04:18:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.216621
• Title: Cognitive Graph Intelligence for Adaptive and Robust DDoS Attack Detection in Next Generation Networks
• Title（参考訳）: 次世代ネットワークにおける適応型・ロバストなDDoS攻撃検出のための認知グラフインテリジェンス
• Authors: Mohammad Arif Hossain, Yeahia Sarker, Md Jafrin Hossain, Most. Humayra Khanom Rime, Nirwan Ansari,
• Abstract要約: 本稿では,このタスクの認知検出エンジンとして機能するグラフベース生成適応ネットワーク(GraphGAN)を提案する。 GraphGANは、合成サンプルの対向生成を通じて不均衡に対処しながら、トラフィックフロー間の関係構造をキャプチャする。 生成器は、DDoS攻撃の分布を学習して、現実的なマイノリティサンプルを合成し、グラフ畳み込みネットワーク(GCN)ベースの識別器は、合成グラフデータとリアルを区別する。
• 参考スコア（独自算出の注目度）: 2.434167379974669
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributed Denial-of-Service (DDoS) attacks threaten network availability, requiring a cognitive detection process that senses traffic, infers intent, and supports an adaptive response under severe class imbalance and non-stationary conditions. This paper proposes a Graph-based Generative Adversarial Network (GraphGAN) that serves as the cognitive detection engine for this task. GraphGAN captures the relational structure among traffic flows while addressing imbalance through adversarial generation of synthetic samples. Sequential flows are converted into $k$-nearest neighbor graphs using sliding windows to preserve feature-similarity and temporal dependencies among flows. The generator learns the distribution of DDoS attacks to synthesize realistic minority samples, while a Graph Convolutional Network (GCN)-based discriminator distinguishes real from synthetic graph data. A separate GCN classifier, trained on the balanced dataset, performs the final detection decision. Evaluations on four benchmark datasets show that GraphGAN achieves superior accuracy, precision, and recall compared to state-of-the-art approaches, particularly in data-scarce scenarios. By integrating temporal graph construction, adversarial augmentation, and GCN classification, GraphGAN effectively models coordinated attack behaviors and mitigates class imbalance, providing a robust and topology-aware solution for intrusion detection in data-constrained environments.
• Abstract（参考訳）: DDoS(Distributed Denial-of-Service)攻撃はネットワーク可用性を脅かし、トラフィックを検知し、意図を推論し、厳しいクラス不均衡と非定常条件下で適応応答をサポートする認知的検出プロセスを必要とする。 本稿では,このタスクの認知検出エンジンとして機能するグラフベース生成適応ネットワーク(GraphGAN)を提案する。 GraphGANは、合成サンプルの対向生成を通じて不均衡に対処しながら、トラフィックフロー間の関係構造をキャプチャする。 逐次フローは、スライディングウィンドウを使用して、フロー間の特徴相似性と時間的依存関係を保存するために、$k$-nearest 隣のグラフに変換される。 生成器は、DDoS攻撃の分布を学習して、現実的なマイノリティサンプルを合成し、グラフ畳み込みネットワーク(GCN)ベースの識別器は、合成グラフデータとリアルを区別する。 バランスの取れたデータセットに基づいてトレーニングされた別のGCN分類器が最終検出決定を行う。 4つのベンチマークデータセットの評価によると、特にデータスカースシナリオにおいて、GraphGANは最先端のアプローチよりも精度、精度、リコールが優れている。 時間グラフ構築、対数拡張、GCN分類を統合することにより、GraphGANは、協調した攻撃動作を効果的にモデル化し、クラス不均衡を緩和し、データ制約環境における侵入検出のための堅牢でトポロジ対応のソリューションを提供する。

関連論文リスト

• Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
  本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。 グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。 本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
  論文  参考訳（メタデータ） (2026-07-07T22:02:13Z)
• Rethinking Generative Reconstruction Attacks against Graph Neural Network Models [0.0]
  グラフニューラルネットワーク(GNN)は、AI時代のグラフデータを解析するために使用される。 GNNは、トレーニング中の機密データを不注意にリークする可能性がある。 本研究では,2つの新しいグラフ反転攻撃を導入することで,GNNの脆弱性を分析する。
  論文  参考訳（メタデータ） (2026-06-29T03:44:51Z)
• Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
  グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。 本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。 本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。 防衛面では, MC-GPB (+) を提案する。
  論文  参考訳（メタデータ） (2026-06-06T09:29:27Z)
• Limit Analysis of Graph Neural Networks with Wireless Conflict Graphs [81.39865232674413]
  グラフニューラルネットワーク(GNN)は、無線リソース割り当てのための強力なツールとして登場した。 この研究は、スパースランダム幾何グラフ(RGGs)から得られるグラフ上のGNNの転送可能性に関する理論的結果を確立する。
  論文  参考訳（メタデータ） (2026-06-02T15:42:14Z)
• NeuroTrace: Inference Provenance-Based Detection of Adversarial Examples [1.096626056612224]
  Inference Provenance Graphs (IPGs) を用いた推論前駆体分析フレームワークであるNeuroTraceを紹介する。 IPGは、モデルの前方通過中にアクティベーション動作とパラメータ誘起データフローの両方をキャプチャする異種グラフである。 攻撃中, マルチアタック, クロススリート転送設定下での逆例検出のためのIPGベース検出器の評価を行った。
  論文  参考訳（メタデータ） (2026-04-15T22:23:40Z)
• Single-Edge Node Injection Threats to GNN-Based Security Monitoring in Industrial Graph Systems [2.405577583760006]
  グラフニューラルネットワーク(GNN)は、産業用グラフベースの監視システムにますます採用されている。 少数のエッジデバイスを侵害する敵は、下流の判断をバイアスするために偽造ノードを注入する可能性がある。 本稿では,制約リソース下での配置指向ノード注入攻撃を定式化し,EmphSingle-Edge Graph Injection Attack (SEGIA)を提案する。
  論文  参考訳（メタデータ） (2026-02-01T09:19:54Z)
• Cluster-Aware Attacks on Graph Watermarks [50.19105800063768]
  本稿では,コミュニティ誘導型修正を回避できるクラスタ・アウェア・脅威モデルを提案する。 その結果,クラスタ・アウェア・アタックは,ランダムなベースラインよりも最大80%の精度でアトリビューション精度を低下させることができることがわかった。 グラフコミュニティにまたがる透かしノードを分散する軽量な埋め込み拡張を提案する。
  論文  参考訳（メタデータ） (2025-04-24T22:49:28Z)
• Model Inversion Attacks against Graph Neural Networks [65.35955643325038]
  グラフニューラルネットワーク(GNN)に対するモデル反転攻撃について検討する。 本稿では,プライベートトレーニンググラフデータを推測するためにGraphMIを提案する。 実験の結果,このような防御効果は十分ではないことが示され,プライバシー攻撃に対するより高度な防御が求められている。
  論文  参考訳（メタデータ） (2022-09-16T09:13:43Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting [4.14360329494344]
  我々は、プログレッシブグラフ畳み込みネットワーク(PGCN)と呼ばれる新しいトラフィック予測フレームワークを提案する。 PGCNは、トレーニングおよびテストフェーズ中にオンライン入力データに段階的に適応することで、グラフのセットを構築する。 提案したモデルでは,すべてのデータセットの一貫性を保ちながら,最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-02-18T02:15:44Z)
• 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)

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。