論文の概要: Concept drift mitigation through community and spectral graph analysis for the detection of cyberattacks in network traffic

• arxiv url: http://arxiv.org/abs/2609.09442v2
• Date: Sat, 12 Sep 2026 05:05:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:04.745129
• Title: Concept drift mitigation through community and spectral graph analysis for the detection of cyberattacks in network traffic
• Title（参考訳）: ネットワークトラフィックのサイバー攻撃検出のためのコミュニティによるコンセプトドリフト緩和とスペクトルグラフ解析
• Abstract要約: 検出モデルとは独立に各特徴に対して定義された安定性スコアであるt-robustnessを導入する。 特徴の連続した統計状態間のステップバイステップ距離と、その初期状態からの累積的なばらつきを組み合わせ、遅い単調なドリフトが安定性を損なうことができない。 評価はUGR16データセット上で行われ、3つの学習シナリオとコントロールシナリオにまたがる。
• 参考スコア（独自算出の注目度）: 1.3999481573773072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In network traffic, legitimate behaviours and attack techniques evolve jointly - the phenomenon known as 'concept drift' [1]. Every detector is thereby left obsolete between two updates, and always one step behind adversaries. In this work, we propose to move the point of intervention from the model, repaired after the drift, to the feature space, selected before learning. We therefore introduce t-robustness, a stability score defined for each feature independently of any detection model, comparable across an entire feature space. It combines the step-by-step distance between successive statistical states of a feature, and its cumulative divergence from its initial state, so that a slow monotonic drift cannot pass for stability. The candidates are drawn from abnormal network connectivity patterns left by scans, DoS and communications between endpoints, read through graph community metrics and spectral metrics. The evaluation is performed on the UGR16 dataset, across three learning scenarios and a control scenario, as well as without model update, and demonstrate that t-robust feature spaces sustain detection where the baselines collapse: retained expectancy at the last test interval reaches 0.6025, against 0.5230 for graph community features and 0.3831 for the base NetFlow features.
• Abstract（参考訳）: ネットワークトラフィックでは、正当な振る舞いと攻撃テクニックが共同で進化する。 これにより、各検出器は2つの更新の間に陳腐化され、常に敵の一歩遅れる。 本研究では, ドリフト後に修復したモデルから, 学習前に選択した特徴空間へ介入点を移動させることを提案する。 したがって、t-robustnessは、すべての特徴空間に匹敵する、あらゆる検出モデルとは独立に、各特徴に対して定義された安定性スコアである。 特徴の連続した統計状態間のステップバイステップ距離と、その初期状態からの累積的なばらつきを組み合わせ、遅い単調なドリフトが安定性を損なうことができない。 候補は、スキャン、DoS、エンドポイント間の通信、グラフコミュニティメトリクスとスペクトルメトリクスによって残された異常なネットワーク接続パターンから導かれる。 評価は、UGR16データセット上で、3つの学習シナリオとコントロールシナリオ、モデル更新なしで実施され、t-robust機能空間がベースラインが崩壊した場所の検出を持続することを示す:最後のテスト間隔での期待値は0.6025、グラフコミュニティ機能では0.5230、NetFlow機能では0.3831である。

関連論文リスト

• Solution for UCF UrbanTwin V2X-Real Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  本報告では,Sim2Real 3D検出のためのマルチソース協調学習とクラス認識融合フレームワークを提案する。 この方法は、デジタルツインスキャン、拡散露光スキャン、密度安定化スキャン、歩行者形態に整列したサンプルを補完的な役割を持つ統合トレーニングプールに整理する。
  論文  参考訳（メタデータ） (2026-09-07T15:16:15Z)
• Behavioral Grammar: Detecting Adaptive Malware via Tiny Language Model Priors and Second-Order Temporal Analysis [1.560152792366037]
  本稿では,ホストの動作を構造化言語として扱う検出アーキテクチャである振舞い文法について述べる。 各システムイベントは、イベントタイプ、プロセス、引数スケルトン、パスカテゴリ、親プロセス、ユーザ、宛先、イベント間タイミングにまたがる8つのトークン表現に識別される。 我々は,これらの知見を共進化経済学モデルに組み入れ,行動文法検出はルール回避から分布マッチングへ回避コストをシフトさせると主張した。
  論文  参考訳（メタデータ） (2026-08-01T16:28:38Z)
• Scalable Policy Optimization for Networked Multi-Agent Reinforcement Learning with Continuous State-Action Spaces [16.43184149906767]
  本研究では,連続状態と行動空間を有するネットワーク決定過程における協調的強化学習のためのアルゴリズムを開発する。 各エージェントは、グラフ近傍に局所的なアクターを保持し、局所化された時間差評価批評家は、切り捨てられた作用値関数を評価する。
  論文  参考訳（メタデータ） (2026-07-20T22:41:43Z)
• Self-Adaptive Anomaly Detection with Reinforcement Learning and Human Feedback in Connected Vehicles [0.3324986723090369]
  本稿では,自律型CPSのためのオンライン異常検出フレームワークを提案する。 自己注意を伴う分解された深いQネットワークは、監視対象サービス毎に候補プールから最も適切な検出器を選択する。 保留中のトランジションバッファと60/40の優先順位付けされたリプレイ戦略を中心に構築されたHuman-in-the-loopリトレーニング機構により、オペレーターは専門家の知識を組み込むことができる。
  論文  参考訳（メタデータ） (2026-07-09T11:48:52Z)
• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• 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)
• Spatial regularisation for improved accuracy and interpretability in keypoint-based registration [5.286949071316761]
  教師なしキーポイント検出に基づく最近のアプローチは、解釈可能性に非常に有望である。 本稿では,特徴量の空間分布を正規化するための3倍の損失を提案する。 我々の損失は特徴の解釈可能性を大幅に改善し、現在では正確で解剖学的に意味のあるランドマークに対応しています。
  論文  参考訳（メタデータ） (2025-03-06T14:48:25Z)
• Variational Voxel Pseudo Image Tracking [127.46919555100543]
  不確実性推定は、ロボット工学や自律運転といった重要な問題にとって重要なタスクである。 本稿では,3次元物体追跡のためのVoxel Pseudo Image Tracking (VPIT) の変分ニューラルネットワークによるバージョンを提案する。
  論文  参考訳（メタデータ） (2023-02-12T13:34:50Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。