論文の概要: Are We Shooting Flies with Cannons? Trade-off Analysis for AI-based 5G Intrusion Detection

• arxiv url: http://arxiv.org/abs/2608.26844v1
• Date: Thu, 27 Aug 2026 09:13:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.323441
• Title: Are We Shooting Flies with Cannons? Trade-off Analysis for AI-based 5G Intrusion Detection
• Title（参考訳）: 砲弾でハエを撃っているか?AIによる5G侵入検知のためのトレードオフ解析
• Abstract要約: 5Gネットワークテレメトリにおける侵入検知における検出性能と計算コストのトレードオフについて検討する。 XGBoostを含む従来の機械学習(ML)モデルは、大きな言語モデル(LLM)と比較される。 従来のMLモデルは、無視可能な推論時間でほぼ完璧な検出性能が得られることを示す。 少ないショットプロンプトはリコールを改善するが、性能のギャップを埋めることなく、より低い精度とCPU時間の増大を犠牲にしている。
• 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: The increasing adoption of Artificial Intelligence (AI) in network intrusion detection raises the question of whether complex and computationally expensive models are justified for this task. In this work, we investigate the trade-off between detection performance and computational cost for intrusion detection in 5G network telemetry. We compare traditional machine learning (ML) models, including XGBoost as a representative of tree ensemble, and TabNet for tabular deep neural network (DNN), with a large language model (LLM) used as a general-purpose intrusion detector. The LLM is evaluated under both zero-shot and few-shot prompting configurations. We evaluate the models in terms of detection performance, inference time, and CPU time as a proxy for energy efficiency. Using a relatively large available 5G dataset, we show that traditional ML models consistently achieve near-perfect detection performance with negligible inference time, while LLM-based approaches perform significantly worse and incur orders-of-magnitude higher CPU usage. Few-shot prompting improves recall, but at the cost of lower accuracy and further increased CPU time, without closing the performance gap. These findings indicate that, for tabular intrusion detection in 5G networks, XGBoost offers a substantially better performance-cost trade-off than DNNs and LLMs, highlighting the importance of selecting models based on task suitability rather than increasing complexity.
• Abstract（参考訳）: ネットワーク侵入検出における人工知能(AI)の採用の増加は、このタスクに複雑で計算コストのかかるモデルが正当化されるかどうかという問題を提起する。 本研究では,5Gネットワークテレメトリにおける侵入検出における検出性能と計算コストのトレードオフについて検討する。 木アンサンブルの代表としてXGBoost、表層深層ニューラルネットワーク(DNN)のためのTabNetを含む従来の機械学習(ML)モデルと、汎用的な侵入検知器として使用される大規模言語モデル(LLM)を比較した。 LLMはゼロショットと少数ショットのプロンプト構成の両方で評価される。 我々は、エネルギー効率のプロキシとして、検出性能、推論時間、CPU時間の観点からモデルを評価する。 比較的大規模な5Gデータセットを用いて、従来のMLモデルは、無視可能な推論時間で、ほぼ完全な検出性能を一貫して達成し、一方、LLMベースのアプローチは、CPU使用量の桁違いを著しく悪化させる。 少ないショットプロンプトはリコールを改善するが、性能のギャップを埋めることなく、より低い精度とCPU時間の増大を犠牲にしている。 これらの結果から,5Gネットワークにおける表型侵入検出において,XGBoost は DNN や LLM よりもはるかに優れた性能・コストトレードオフを提供し,複雑化よりもタスク適合性に基づくモデル選択の重要性を強調した。

関連論文リスト

• HIDBench: Benchmarking Large Language Models for Host-Based Intrusion Detection [11.060899899257755]
  ホストベースの侵入検知システムをサポートするために,大規模言語モデルの能力を評価するための新しいベンチマークを提案する。 このタスクは、大規模で騒々しく、高度に不均衡なシステムログに対してきめ細かい推論を必要とする。 LLMはHIDSに強い可能性を示すが,その有効性はデータの複雑さに非常に敏感である。
  論文  参考訳（メタデータ） (2026-05-20T22:07:12Z)
• 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)
• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond [5.452584641316627]
  6G/NextGネットワークは、新たなセキュリティ脅威に対して脆弱になる可能性がある。 侵入検知タスクの既存の研究は、浅い機械学習分類器の列車に依存している。 悪意のあるトラフィックを特定するために,Mixture of Experts (MoE)を統合した最初の研究を行った。
  論文  参考訳（メタデータ） (2024-12-04T17:20:01Z)
• Explainable AI for Comparative Analysis of Intrusion Detection Models [20.683181384051395]
  本研究は,ネットワークトラフィックから侵入検出を行うために,各種機械学習モデルを二分分類および多クラス分類のタスクに解析する。 すべてのモデルをUNSW-NB15データセットで90%の精度でトレーニングしました。 また、Random Forestは正確さ、時間効率、堅牢性という点で最高のパフォーマンスを提供します。
  論文  参考訳（メタデータ） (2024-06-14T03:11:01Z)
• Bayesian Hyperparameter Optimization for Deep Neural Network-Based Network Intrusion Detection [2.304713283039168]
  侵入検出問題に対してディープニューラルネットワーク(DNN)がうまく適用されている。 本稿では,ハイパーパラメータの自動最適化のための新しいベイズ最適化フレームワークを提案する。 提案手法は,ランダムな探索最適化手法よりも侵入検出性能が高いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T20:08:38Z)
• FPGA-optimized Hardware acceleration for Spiking Neural Networks [69.49429223251178]
  本研究は,画像認識タスクに適用したオフライントレーニングによるSNN用ハードウェアアクセラレータの開発について述べる。 この設計はXilinx Artix-7 FPGAをターゲットにしており、利用可能なハードウェアリソースの40%を合計で使用している。 分類時間を3桁に短縮し、ソフトウェアと比較すると精度にわずか4.5%の影響を与えている。
  論文  参考訳（メタデータ） (2022-01-18T13:59:22Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• 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。