Fugu-MT 論文翻訳(概要): When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations

論文の概要: When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations

arxiv url: http://arxiv.org/abs/2608.26831v1
Date: Thu, 27 Aug 2026 09:05:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.320463
Title: When Relationships Break: Interpreting Network Traffic Anomalies via Dependency Violations
Title（参考訳）: 関係が壊れた時:依存ヴァイオレーションによるネットワークトラフィック異常の解釈
Abstract要約: XIONは、良性トラフィックのみに基づいて、ネットワークフローの特徴間の関係をモデル化する手法である。検出中は、期待される機能依存の違反によって異常が識別される。 XIONは、どの機能関係が壊れるかを特定することで、アラート後の分析をサポートする。
参考スコア（独自算出の注目度）: 2.406359246841227
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current research on security monitoring is increasingly focusing on machine-learning-based approaches, but caveats remain. In addition to huge computational overhead, one concern is the lack of insights into "why" alerts are raised. Existing interpretability approaches rely on feature attribution methods that ignore dependencies among features or on causal modeling that requires extensive domain knowledge or computational resources. This work proposes XION, a method for modeling relationships among network-flow features based on benign traffic only. During detection, anomalies are identified through violations of expected feature dependencies. Further, XION supports post-alert analysis by identifying which feature relationships break, when they break along the attack timeline, and how dependency violations evolve relatively to other identified violations. XION is evaluated on standard IDS datasets and compared against an Isolation Forest (IF) baseline across multiple attack scenarios, including both volumetric and stealthier attacks. Results show that XION matches or exceeds IF recall in all evaluated scenarios, while requiring up to 7x less inference time. At the post-alert stage, the dependency-violation analysis reveals temporal and structural patterns consistent with known attack behaviors, which IF alone could not contribute to. Together, these findings confirm that attacks indeed disrupt feature dependencies learned from benign traffic, and that these disruptions provide additional information for understanding an alert.
Abstract（参考訳）: セキュリティ監視に関する現在の研究は、機械学習ベースのアプローチにますます焦点を絞っているが、注意が必要である。巨大な計算オーバーヘッドに加えて、"なぜ"アラートが提起されるのかという洞察の欠如が懸念されている。既存の解釈可能性アプローチは、機能間の依存関係を無視する機能帰属手法や、広範なドメイン知識や計算資源を必要とする因果モデリングに依存している。本研究は,良性トラフィックのみに基づくネットワークフロー特徴間の関係をモデル化する手法であるXIONを提案する。検出中は、期待される機能依存の違反によって異常が識別される。さらに、XIONは、どの機能関係が破られるか、攻撃タイムラインに沿って破られるか、依存違反が他の特定された違反と比べてどのように進化するかを識別することで、アラート後の分析をサポートする。 XIONは標準的なIDSデータセットに基づいて評価され、ボリュームとステルスの両方を含む複数の攻撃シナリオにわたる分離フォレスト(IF)ベースラインと比較される。その結果、XIONはすべての評価シナリオでIFリコールと一致または超え、最大7倍の推論時間を必要とすることがわかった。アラート後の段階では、依存性違反分析は、IFだけでは寄与できない既知の攻撃行動と時間的および構造的パターンを明らかにする。これらの結果は、攻撃が良質なトラフィックから学んだ機能依存を確実に破壊し、これらの破壊がアラートを理解するための追加情報を提供することを確認している。

関連論文リスト

Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。 RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文参考訳（メタデータ） (2026-06-17T02:36:32Z)
Causal Ensemble Agent: Hierarchical Causal Discovery with LLM-guided Expert Reweighting [95.24017293537025]
Causal Ensemble Agent (CEA) は、さまざまなグラフレベルにわたる統計発見の専門家による構造的洞察を集約する新しいフレームワークである。 CEAは、幅広い因果発見手法において、最も優れた総合的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2026-06-09T09:09:07Z)
FlowGuard: Flow Matching for Identity-Independent Detection of Data-Free Model Stealing Attacks on Energy System Intrusion Detection Systems [0.0]
FlowGuardは、入ってくるクエリをアウト・オブ・ディストリビューション(OOD)として分類するフローマッチングに基づく、IDに依存しない防御である。このアプローチは、データフリーモデル盗難攻撃のために合成的に生成されたクエリが、実際のネットワークトラフィックよりも低次元の多様体を占有しているという事実を生かしている。我々は,MAZE と DisGUIDE 攻撃を用いたPRADA と FDINet に対して,単サイクルで分散した (100-client Sybil) 設定で評価した。
論文参考訳（メタデータ） (2026-06-02T10:18:45Z)
On the Privacy of LLMs: An Ablation Study [0.0]
大規模言語モデル(LLM)は、対話的および検索強化された設定にますますデプロイされている。我々は、統一的な脅威モデルと表記を導入し、一連のプライバシー攻撃を再現し、構造化されたアブレーション研究を行う。
論文参考訳（メタデータ） (2026-05-04T06:06:41Z)
TFLAG:Towards Practical APT Detection via Deviation-Aware Learning on Temporal Provenance Graph [7.676383564795898]
Advanced Persistent Threat (APT) はますます複雑化し、隠蔽されている。近年の研究では、証明グラフから詳細な情報を抽出するグラフ学習技術が取り入れられている。本稿では,高度な異常検出フレームワークであるTFLAGを紹介する。
論文参考訳（メタデータ） (2025-01-13T01:08:06Z)
Pattern-Based Time-Series Risk Scoring for Anomaly Detection and Alert Filtering -- A Predictive Maintenance Case Study [3.508168174653255]
本稿では,逐次パターンの類似性に基づいて,異常検出と警告フィルタリングを高速かつ効率的に行う手法を提案する。本稿では, 大規模産業システムにおける異常検出を含む様々な目的で, このアプローチをどのように活用するかを示す。
論文参考訳（メタデータ） (2024-05-24T20:27:45Z)
On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
論文参考訳（メタデータ） (2024-05-24T08:08:05Z)
A Hierarchical Security Events Correlation Model for Real-time Cyber Threat Detection and Response [0.0]
我々は,侵入検知システムによって発行される警告数を減らすことを約束する,新しい階層的な事象相関モデルを開発した。提案モデルでは、類似性とグラフベースの相関技術から特徴を最大限に活用して、どちらのアプローチも別途実現できないアンサンブル機能を実現する。このモデルはDARPA 99 侵入検知セットで実験を行うという概念実証として実装されている。
論文参考訳（メタデータ） (2023-12-02T20:07:40Z)
Stateful Offline Contextual Policy Evaluation and Learning [88.9134799076718]
我々は、シーケンシャルデータから、政治以外の評価と学習について研究する。動的パーソナライズされた価格設定などの問題の因果構造を形式化する。本報告では,本クラスにおけるアウト・オブ・サンプル・ポリシーの性能改善について述べる。
論文参考訳（メタデータ） (2021-10-19T16:15:56Z)
Disentangling Observed Causal Effects from Latent Confounders using Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文参考訳（メタデータ） (2021-01-17T07:48:45Z)
Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。