論文の概要: Passive Hybrid Network-Based Intrusion Detection System (Hybrid-NIDS) Combining Suricata and Random Forest
- arxiv url: http://arxiv.org/abs/2609.24393v1
- Date: Mon, 21 Sep 2026 10:40:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 15:35:16.025391
- Title: Passive Hybrid Network-Based Intrusion Detection System (Hybrid-NIDS) Combining Suricata and Random Forest
- Title（参考訳）: スリカタ林とランダム林を組み合わせたパッシブハイブリッドネットワークによる侵入検知システム(Hybrid-NIDS)
- Abstract要約: 本稿では,Suricataとランダムフォレストフロー分類と集中型ELKに基づく警報処理を組み合わせた,パッシブハイブリッドネットワークによる侵入検知システム(Hybrid-NIDS)の試作機について検討する。
その結果、公開ベンチマークでの強いパフォーマンスは、直接的に運用効率に変換されないことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper evaluates a passive Hybrid Network-based Intrusion Detection System (Hybrid-NIDS) prototype that combines Suricata with Random Forest flow classification and centralized ELK-based alert handling. The study explicitly separates benchmark evaluation from PCAP/live operational validation and controls exact feature-duplicate leakage using feature hashing and group-aware splitting. From 2,540,047 UNSW-NB15 records, 453 conflicting-label hash groups containing 1,879 rows were removed; the resulting Development and Hold-out sets have zero exact feature-hash overlap. RF-41 achieved F1 = 0.971360 and ROC-AUC = 0.999671, while the NFStream-compatible RF-21 achieved F1 = 0.970148 on the same prepared hold-out boundary. However, operational validation revealed substantial benchmark-to-deployment domain shift: on a labeled laboratory PCAP, RF-21 and the strictly correlated branch achieved recall of only 0.0095, and RF-21 produced no alerts in five additional 60-second attack sessions. An unlabeled normal-traffic test produced 439 alerts from 2,375 flows; this value is reported only as an alert ratio and is not interpreted as a false-positive rate. These results show that strong performance on a public benchmark does not directly translate into operational effectiveness. Accordingly, the current Hybrid-NIDS should be interpreted as a passive prototype and evaluation framework, and the reported experiments do not demonstrate that Suricata-Random Forest correlation provides better operational detection than Suricata alone.
- Abstract（参考訳）: 本稿では,Suricataとランダムフォレストフロー分類と集中型ELKに基づく警報処理を組み合わせた,パッシブハイブリッドネットワークによる侵入検知システム(Hybrid-NIDS)の試作機について検討する。
本研究は,PCAP/ライブ運用検証からベンチマーク評価を明示的に分離し,特徴ハッシュとグループ認識分割を用いた正確な特徴重複リークを制御する。
2,540,047 UNSW-NB15レコードから、1,879行を含む453の競合ラベルハッシュ群が削除された。
RF-41はF1 = 0.971360、ROC-AUC = 0.999671、NFStream互換のRF-21はF1 = 0.970148を達成。
ラベル付き実験室PCAPでは、RF-21と厳密に相関したブランチがわずか0.0095のリコールを達成し、RF-21は追加の60秒の攻撃セッションで警告を発生させなかった。
ラベルなしの正規交通試験では2,375フローから439の警告が発生し、この値は警告比としてのみ報告され、偽陽性率として解釈されない。
これらの結果は、公開ベンチマークの強い性能が直接的に運用効率に変換されないことを示している。
したがって、現在のハイブリッドNIDSは、受動的プロトタイプおよび評価フレームワークとして解釈されるべきであり、報告された実験では、スリカタ-ランサムフォレスト相関がスリカタ単独よりも優れた操作検出を提供することを示すものではない。
関連論文リスト
- Offline Reinforcement Learning for Distribution-Grid Protection [42.05746375597851]
我々は,CIGRE中電圧ネットワークの静的軌跡からの線選択的トリップについて検討した。
畳み込みQネットワークは、因果電圧電流ファサーおよび見かけインピーダンス特徴を受信する。
その結果,密度予測性能と終端保護挙動がモデルランキングに影響を及ぼす可能性が示唆された。
論文 参考訳（メタデータ） (2026-09-21T14:49:04Z) - Screening of Biosecurity Features in Metagenomic Data with Evo 2 Probes [35.18016233072556]
Evo 2のようなゲノム基盤モデルは、リッチなシーケンス表現を学習するが、バイオセキュリティスクリーニングの価値はほとんど探索されていない。
凍結したEvo2層26の活性化に対して、最小限の線形および注意プローブを訓練することにより、これらの表現の中でどの程度のバイオセキュリティ関連信号が線形にアクセスできるかを問う。
保持されたメダゲノミクステストセット全体で、プローブは強い差別で抗菌抵抗を検出する。
論文 参考訳（メタデータ） (2026-07-15T17:38:02Z) - SA-DRL: Security-Aware Deep Reinforcement Learning for Ransomware Detection with Asymmetric Reward Design [1.8024397171920885]
本研究では,偽陰性・偽陽性のコスト非対称性を強化学習報酬信号に組み込むセキュリティ対応深層強化学習フレームワークを提案する。
対称ベースライン報酬(R1)とセキュリティ対応非対称報酬(R2)を用いて、4つの深層強化学習エージェントの評価を行った。
その結果,非対称な報酬形成により,セキュリティ指向の検出性能が向上した。
論文 参考訳（メタデータ） (2026-07-08T00:43:20Z) - From CVE to CWE: Syscall-Based HIDS Generalisation [41.99844472131922]
運用環境では、ディフェンダーは既知の脆弱性の新たなエクスプロイトを認識する必要がある。
我々は,CWE(Common Weaknession)クラスを共有するCVEの正常な動作に基づいて訓練された一級異常検知器が,同一クラス内の別の未知のCVEに一般化するか否かを実証的に検証した。
論文 参考訳（メタデータ） (2026-06-21T16:34:39Z) - Synthetic Network Packet Generation through Statistical Learning and Genetic Algorithms [6.42094170804706]
本稿では,合成IoTネットワークパケット生成のための2つの制約付きアプローチを提案し,比較する。
ACI IoT 2023データセットの完全な評価は、両方のメソッドがすべてのカテゴリにわたるPASSステータスを達成することを示している。
論文 参考訳（メタデータ） (2026-06-18T18:52:51Z) - Reliable Extraction of Clinical Follow-Up Instructions: A Hybrid Neural-Symbolic Pipeline [43.0484058393522]
我々は,ニューラルシンボリックなハイブリッドパイプラインを直接生成に対して試験する。
本研究は,2000点の合成外用コーパスについて検討した。
論文 参考訳（メタデータ） (2026-05-26T05:14:33Z) - Quantum Machine Learning for Cyber-Physical Anomaly Detection in Unmanned Aerial Vehicles: A Leakage-Free Evaluation with Proxy-Audited Feature Sets [0.0]
無人航空機(英語: Unmanned Aviation Vehicle、UAV)は、ネットワーク化されたアビオニクスとオンボードセンサー融合にまたがるサイバー物理システムである。
マルチセンサTLM:UAVベンチマークを用いて,UAV異常検出のための量子機械学習のリークフリー評価を行う。
論文 参考訳（メタデータ） (2026-05-19T01:05:16Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning [43.24339861841546]
本稿では,CVE-linked データセット上でのデコーダ型言語モデル (phi/phi-2 with LoRA) の微調整について検討する。
本研究では,ウィンドウオンリーおよび累積学習,リプレイベースライン,正規化ベースバリアントを含む8つの連続学習戦略を評価する。
ハイブリッドCASRはベースラインと比較してウィンドウ当たりのトレーニング時間を約17%削減する一方、累積トレーニングは15.9倍の計算コストでF1をわずかに増加させる(0.661)。
論文 参考訳（メタデータ） (2026-02-27T09:13:23Z) - Cross-modal Proxy Evolving for OOD Detection with Vision-Language Models [59.242742594156546]
CoEvoは、テキストプロキシとビジュアルプロキシの両方を双方向でサンプル条件で適応するテストタイムフレームワークである。
CoEvoは最先端のパフォーマンスを実現し、AUROCを1.33%改善し、ImageNet-1KではFPR95を45.98%削減した。
論文 参考訳（メタデータ） (2026-01-13T12:08:26Z) - Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。
2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
論文 参考訳（メタデータ） (2025-09-24T21:18:52Z)
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。