論文の概要: Comparative Evaluation of Static Embedding Models for HTTP Request Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.26860v1
• Date: Tue, 22 Sep 2026 15:12:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.701318
• Title: Comparative Evaluation of Static Embedding Models for HTTP Request Anomaly Detection
• Title（参考訳）: HTTP要求異常検出のための静的埋め込みモデルの比較評価
• Abstract要約: 本稿では,静的埋め込みモデル,特にWord2Vec,FastText,Doc2Vecのベンチマークを,統一された単一クラス分類フレームワーク内で提案する。 本稿では,静的埋め込み表現と単一クラス異常検出モデルを組み合わせて,要求レベルの異常を検出するモジュール検出パイプラインHEDAを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Web applications are increasingly targeted by cyberattacks that exploit HTTP requests to evade security mechanisms. Traditional web application firewalls (WAFs) rely on rule-based approaches that often exhibit high false positive rates and limited adaptability. Recent studies have explored machine learning techniques and word embedding models to improve anomaly detection in HTTP traffic. This paper presents a benchmark for static embedding models, specifically Word2Vec, FastText, and Doc2Vec, within a unified, single-class classification framework. We propose HEDA (HTTP Embedding-Based Detection Architecture), a modular detection pipeline that combines static embedding representations with single-class anomaly detection models to detect anomalies at the request level. The approach operates in an unsupervised environment, where both the embedding models and detectors are trained exclusively on benign HTTP traffic. The proposed methodology is evaluated on three datasets with heterogeneous characteristics, including both synthetic and real traffic. The experimental results show that the choice of embedding representation significantly affects detection performance, and that FastText-based embeds produce the most consistent results across all datasets, achieving high detection rates while keeping false positive rates under control.
• Abstract（参考訳）: Webアプリケーションは、セキュリティメカニズムを回避するためにHTTPリクエストを利用するサイバー攻撃によってますます標的にされている。 従来のWebアプリケーションファイアウォール(WAF)はルールベースのアプローチに依存しています。 近年,HTTPトラフィックの異常検出を改善するために,機械学習技術と単語埋め込みモデルについて検討している。 本稿では,静的埋め込みモデル,特にWord2Vec,FastText,Doc2Vecのベンチマークを,統一された単一クラス分類フレームワーク内で提案する。 本稿では,静的埋め込み表現と単一クラス異常検出モデルを組み合わせたモジュール型検出パイプラインであるHEDA(HTTP Embedding-Based Detection Architecture)を提案する。 このアプローチは教師なしの環境で動作し、埋め込みモデルと検出器の両方が、良質なHTTPトラフィックにのみトレーニングされる。 提案手法は,合成トラフィックと実トラフィックの両方を含む不均一な特徴を持つ3つのデータセットを用いて評価する。 実験の結果,埋め込み表現の選択は検出性能に大きく影響し,FastTextベースの埋め込みはすべてのデータセットに対して最も一貫性のある結果をもたらし,偽陽性率を制御下に保ちながら高い検出率を達成した。

関連論文リスト

• X-WAD: eXplainable Web Anomaly Detection [0.0]
  現代の防衛は、通常のデータのみに基づいて訓練された半教師付きアプローチに頼って、通常の行動をモデル化する傾向が強まっている。 本稿では,Transformer-based Language Models (TLM) によるHTTP要求の異常検出の有効性について検討する。
  論文  参考訳（メタデータ） (2026-08-27T14:23:01Z)
• Interpretable Anomaly Detection in Encrypted Traffic Using SHAP with Machine Learning Models [0.0]
  本研究の目的は,暗号化されたネットワークトラフィックにおける異常検出のための解釈可能な機械学習ベースのフレームワークを開発することである。 モデルはトレーニングされ、3つのベンチマークで暗号化されたトラフィックデータセットで評価される。 SHAPビジュアライゼーションは、異常予測に寄与する最も影響力のあるトラフィック特徴を明らかにした。
  論文  参考訳（メタデータ） (2025-05-22T05:50:39Z)
• Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
  PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。 これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。 本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-19T16:35:45Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• HTTP2vec: Embedding of HTTP Requests for Detection of Anomalous Traffic [0.0]
  我々は、HTTPリクエストを埋め込んだ後、トラフィックの異常を分類するための教師なし言語表現モデルを提案する。 このソリューションはDoc2Vecのような自然言語処理(NLP)で使われる手法によって動機付けられている。 実際の単語条件でどのようにソリューションが機能するかを検証するために、正規のトラフィックのみを使用してモデルをトレーニングする。
  論文  参考訳（メタデータ） (2021-08-03T21:53:31Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。