Fugu-MT 論文翻訳(概要): A GAN-Based Framework for Robust DDoS Attack Detection

論文の概要: A GAN-Based Framework for Robust DDoS Attack Detection

arxiv url: http://arxiv.org/abs/2609.18281v1
Date: Wed, 16 Sep 2026 08:04:05 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-20 08:55:53.704873
Title: A GAN-Based Framework for Robust DDoS Attack Detection
Title（参考訳）: ロバストなDDoS攻撃検出のためのGANベースのフレームワーク
Abstract要約: 本研究は, 生成的対角モデルと高度な機械学習モデルを統合する, 堅牢な検出フレームワークを提案する。モデルの防御能力を高めるために,潜在的な回避と対向トラフィックをシミュレートする合成対向流を生成した。実験結果から,提案手法は検出精度とレジリエンスを著しく向上させることが示唆された。
参考スコア（独自算出の注目度）: 0.5511615472191279
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The availability and consistency of online services remain vulnerable due to Distributed Denial of Service (DDoS) attacks. These attacks are evolving by adopting more complex strategies to evade traditional network security systems. Despite the effectiveness of machine learning models in detecting DDoS traffic, targeted adversarial attacks can degrade their classification accuracy. This work proposes a robust detection framework that integrates generative adversarial modelling with advanced machine learning models. We trained Random Forests, Deep Neural Ensembles, and Transformer-based models using the CICDDoS2019 dataset to establish the frameworks baseline performance. To enhance the models defensive capacity, we generated synthetic adversarial flows that simulate potential evasion attempts and adversarial traffic using a Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP). Then, we combined the generated traffic with benign and malicious traffic to construct hybrid datasets to train the models to learn more generalizable decision boundaries. The experimental results indicate that the proposed methodology significantly enhances detection accuracy and resilience, especially against unseen adversarial traffic. We also tested the designed framework using real-world generated traffic, which demonstrates its capability in practical settings. The scalable and efficient solution against adversarial DDoS attacks, introduced in this work, paves the way towards more resilient and adaptive network defense systems that combine generative adversarial augmentation with recent advances in learning models.
Abstract（参考訳）: オンラインサービスの可用性と一貫性は、Distributed Denial of Service (DDoS)攻撃によって依然として脆弱である。これらの攻撃は、従来のネットワークセキュリティシステムを回避するために、より複雑な戦略を採用することで進化している。 DDoSトラフィックの検出における機械学習モデルの有効性にもかかわらず、ターゲットの敵攻撃は分類精度を低下させる可能性がある。本研究は, 生成的対角モデルと高度な機械学習モデルを統合する, 堅牢な検出フレームワークを提案する。我々はCICDDoS2019データセットを使用してランダムフォレスト、ディープニューラルアンサンブル、トランスフォーマーベースのモデルをトレーニングし、フレームワークのベースラインパフォーマンスを確立しました。モデルの防御能力を高めるため,我々はWGAN-GP(Wasserstein Generative Adversarial Network with Gradient Penalty)を用いて,潜在的な回避の試みと敵トラフィックをシミュレートした合成逆流を生成した。そして、生成されたトラフィックを良質で悪意のあるトラフィックと組み合わせて、ハイブリッドデータセットを構築し、モデルのトレーニングを行い、より一般化可能な決定境界を学習しました。実験結果から,提案手法は検出精度とレジリエンスを著しく向上させることが示唆された。また,現実のトラフィックを用いて設計したフレームワークをテストし,実環境においてその性能を実証した。この研究で導入された、敵DDoS攻撃に対するスケーラブルで効率的なソリューションは、より弾力的で適応的なネットワーク防御システムへの道を開いた。

関連論文リスト

Intelligent Detection and Mitigation of Carpet-Bombing DDoS Attacks in SDN Using Retrieval-Augmented Generation and Large Language Models [5.590567189490794]
Retrieval-Augmented Generationベースのフレームワークは、Carpet-Bombing DDoS攻撃のリアルタイム検出と軽減を目的として提案されている。提案フレームワークは,インタフェースレベルのトラフィック特徴表現,セマンティック埋め込み生成,FAISSに基づく類似性検索,Large Language Model(LLM)によるコンテキスト推論を組み合わせた。
論文参考訳（メタデータ） (2026-05-25T19:58:45Z)
Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文参考訳（メタデータ） (2025-07-09T20:09:00Z)
Topology-aware Detection and Localization of Distributed Denial-of-Service Attacks in Network-on-Chips [2.6490401904186758]
本稿では,グラフニューラルネットワーク(GNN)を用いたDDoS攻撃のトポロジ対応検出とローカライズを行うためのフレームワークを提案する。 NoCをグラフとしてモデル化することにより、トラフィック機能を利用してDDoS攻撃を効果的に識別し、ローカライズする。実験結果から,DDoS攻撃を高い精度(最大99%)で検出およびローカライズできると同時に,多様な攻撃戦略の下で一貫した性能を維持することができることがわかった。
論文参考訳（メタデータ） (2025-05-20T20:49:34Z)
Feature Selection via GANs (GANFS): Enhancing Machine Learning Models for DDoS Mitigation [0.0]
本稿では,分散型サービス拒否(DDoS)攻撃を検出するGANFS(Generative Adversarial Network-based Feature Selection)手法を提案する。 GANを攻撃トラフィックに限定して訓練することにより、GANFSは、完全な監視に頼ることなく、機能の重要性を効果的にランク付けする。その結果は、より適応的でスケーラブルな検出システムを構築するために、生成学習モデルをサイバーセキュリティパイプラインに統合する可能性を示している。
論文参考訳（メタデータ） (2025-04-21T20:27:33Z)
Sustainable Self-evolution Adversarial Training [41.35034408227795]
本稿では,持続可能な自己進化学習(SSEAT)フレームワークを提案する。本研究は,様々な種類の対角的事例から学習を実現するために,連続的な対向防衛パイプラインを導入する。また,より多様で重要な再学習データを選択するために,逆データ再生モジュールを提案する。
論文参考訳（メタデータ） (2024-12-03T08:41:11Z)
Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。このアプローチは、潜在空間における表現学習の強みを生かしている。
論文参考訳（メタデータ） (2024-06-04T03:22:52Z)
Advancing DDoS Attack Detection: A Synergistic Approach Using Deep Residual Neural Networks and Synthetic Oversampling [2.988269372716689]
本稿では,Deep Residual Neural Networks(ResNets)の機能を活用したDDoS攻撃検出の強化手法を提案する。我々は、良性および悪意のあるデータポイントの表現のバランスをとり、モデルが攻撃を示す複雑なパターンをよりよく識別できるようにする。実世界のデータセットを用いた実験結果から,従来の手法よりもはるかに優れた99.98%の精度が得られた。
論文参考訳（メタデータ） (2024-01-06T03:03:52Z)
Spear and Shield: Adversarial Attacks and Defense Methods for Model-Based Link Prediction on Continuous-Time Dynamic Graphs [40.01361505644007]
本稿では,連続時間動的グラフ上でのリンク予測のための,単純かつ効果的な逆攻撃手法T-SPEARを提案する。本稿では,T-SPEARがリンク予測タスクにおいて,被害者モデルの性能を著しく低下させることを示す。我々の攻撃は他のTGNNに転送可能であり、攻撃者が想定する被害者モデルとは異なる。
論文参考訳（メタデータ） (2023-08-21T15:09:51Z)
Robust Spatiotemporal Traffic Forecasting with Reinforced Dynamic Adversarial Training [13.998123723601651]
機械学習に基づく予測モデルは、Intelligent Transportation Systems(ITS)において、トラフィックパターンを予測するために一般的に使用されている。既存のモデルのほとんどは敵攻撃の影響を受けやすいため、不正確な予測や、混雑や遅延などの負の結果につながる可能性がある。交通予測タスクに敵対的トレーニングを組み込むための枠組みを提案する。
論文参考訳（メタデータ） (2023-06-25T04:53:29Z)
Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
論文参考訳（メタデータ） (2023-06-06T11:44:42Z)

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。