論文の概要: AnchorMixGAN: Anchor-Aligned Generative Semi-Supervision for DDoS Detection in Cloud-Integrated IoT Networks
- arxiv url: http://arxiv.org/abs/2609.32764v1
- Date: Sat, 26 Sep 2026 16:36:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 20:32:24.508741
- Title: AnchorMixGAN: Anchor-Aligned Generative Semi-Supervision for DDoS Detection in Cloud-Integrated IoT Networks
- Title（参考訳）: AnchorMixGAN: クラウド統合IoTネットワークにおけるDDoS検出のためのアンカーアライン生成半スーパービジョン
- Abstract要約: 生成的半教師付き学習は、利用可能なトレーニングデータを補うことができるが、合成ビューによって誘導される予測シフトは、実際の未ラベルフローに割り当てられたターゲットに影響を与える可能性がある。
AnchorMixGANは、アンカーアライメントされたターゲット構成によってこの問題に対処する、生成的半教師付きフレームワークである。
参照分類器の誤差、ビュー構成、シャープ化がターゲットに与える影響を分析し、その結果のクロスエントロピーの変化を導出する。
- 参考スコア（独自算出の注目度）: 13.983117010321592
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Detecting distributed denial-of-service (DDoS) attacks in cloud-integrated IoT networks is difficult when labeled traffic is scarce. Generative semi-supervised learning can supplement the available training data, but prediction shifts induced by synthetic views may affect the targets assigned to real unlabeled flows. We propose AnchorMixGAN, a generative semi-supervised framework that addresses this problem through anchor-aligned target construction. Its Anchor-MAS module treats each real unlabeled flow as an anchor and creates alternative views by replacing one field group at a time with values from generated traffic. A frozen reference classifier predicts the anchor and its views; averaging and sharpening these predictions produces a soft target for the original flow. The flow and its target are then mixed with a labeled example using MixUp, allowing the detector to learn from both the original labeled records and the mixed examples. We analyze how reference-classifier error, view construction, and sharpening affect the target, and derive a bound on the resulting change in cross-entropy at a fixed detector prediction. At the reported 90% training setting with 20% of the training records labeled, AnchorMixGAN attains accuracies of 97.3%, 97.4%, and 96.5% on NSLKDD, BoT-IoT, and CICIoT2023, respectively, exceeding the corresponding MixGAN results by 1.6, 1.0, and 4.4 percentage points.
- Abstract（参考訳）: ラベル付きトラフィックが不足している場合、クラウド統合IoTネットワークにおける分散型サービス障害(DDoS)攻撃の検出は困難である。
生成的半教師付き学習は、利用可能なトレーニングデータを補うことができるが、合成ビューによって誘導される予測シフトは、実際の未ラベルフローに割り当てられたターゲットに影響を与える可能性がある。
AnchorMixGANは、アンカーアライメントされたターゲット構成によってこの問題に対処する、生成的半教師付きフレームワークである。
Anchor-MASモジュールは、実際の未ラベルフローをアンカーとして扱い、一度に1つのフィールドグループを生成されたトラフィックから値で置き換えることで、代替ビューを生成する。
凍結参照分類器は、アンカーとそのビューを予測し、これらの予測を平均化し、鋭くすることで、元のフローに対するソフトターゲットを生成する。
フローとターゲットは、MixUpを使用してラベル付き例と混合されるため、検出者は元のラベル付きレコードと混合例の両方から学習することができる。
我々は、基準分類器の誤差、ビュー構成、シャープ化がターゲットに与える影響を分析し、固定された検出器予測において、結果として生じるクロスエントロピーの変化を導出する。
AnchorMixGANはトレーニング記録の20%をラベル付けした90%のトレーニング設定で、NSLKDD、BoT-IoT、CICIoT2023でそれぞれ97.3%、97.4%、96.5%のアキュラシーを達成し、対応するMixGANを1.6、1.0、4.4ポイント上回った。
関連論文リスト
- Unsupervised Baseline Clustering and Incremental Adaptation for IoT Device Traffic Profiling [0.0]
教師なしIoTデバイスのトラフィックプロファイリングとインクリメンタルモデル更新のためのフロー機能ベースのパイプライン。
ベースラインプロファイリングでは、密度ベースのクラスタリング(DBSCAN)がデータの実質的な外れ値部分を分離する。
漸進的な適応のために、ストリーム指向のクラスタリング手法を評価し、BIRCHが効率的な更新をサポートすることを発見した。
論文 参考訳（メタデータ） (2026-02-27T14:31:01Z) - MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks [7.744496444309422]
MixGANは条件付き生成、半教師付き学習、頑健な特徴抽出を統合したハイブリッド検出手法である。
複雑な時間的トラフィックパターンを扱うために、残差接続を有する時間的畳み込み層からなる1次元ワイドレスネットバックボーンを設計する。
クラス不均衡とラベルの不足を軽減するために,事前訓練したCTGANを用いて,合成マイノリティクラス(DDoS攻撃)サンプルを生成する。
NSL-KDD、BoT-IoT、CIC2023の実験では、MixGANはTPRとTNRの両方で最大2.5%の精度と4%の改善を実現している。
論文 参考訳（メタデータ） (2025-08-22T20:13:29Z) - Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。
我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
論文 参考訳（メタデータ） (2025-03-04T21:49:42Z) - Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。
我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。
CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
論文 参考訳（メタデータ） (2023-05-24T07:09:25Z) - Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。
コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。
Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラ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） (2023-02-18T18:00:05Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。
ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。
SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文 参考訳（メタデータ） (2021-05-16T09:13:56Z) - Scope Head for Accurate Localization in Object Detection [135.9979405835606]
本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。
我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
論文 参考訳（メタデータ） (2020-05-11T04:00:09Z)
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。