論文の概要: Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark

• arxiv url: http://arxiv.org/abs/2609.36039v1
• Date: Mon, 28 Sep 2026 18:06:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.926095
• Title: Multi-Class, Multi-Tier Network Intrusion Detection: A Comprehensive and Reproducible Benchmark
• Title（参考訳）: マルチクラスマルチティアネットワーク侵入検出:包括的で再現可能なベンチマーク
• Abstract要約: そこで本研究では,PCAPレベルのラベリングを補正した総合ベンチマークと,MLモデルを用いた完全評価パイプラインを提案する。 ランダムフォレスト(Random Forest)、XGBoost(XGBoost)、LightGBM(LightGBM)のソフトボーティングアンサンブルは、それぞれ0.955の最高のファイン層マクロF1と0.980と0.999のバイナリマクロF1スコアを得る。
• 参考スコア（独自算出の注目度）: 1.3066182802188202
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning (ML) and deep learning (DL) have dominated Intrusion Detection System (IDS) research in recent years. Unfortunately, many existing studies have produced inflated results and unreliable benchmarks due to critical oversights and mistakes in the ML and DL pipeline, from data collection and labeling to feature engineering and model training and evaluation. CIC-IDS2017 is a standard benchmark for network intrusion detection. Still, many published results on this dataset are difficult to compare due to labeling errors, inconsistent flow extraction, potential leakage, and performance evaluation metrics dominated by benign traffic. In this paper, we present a comprehensive benchmark with corrected PCAP-level labeling and a complete evaluation pipeline with diverse ML models. We evaluate eleven tabular classifiers at three nested levels: binary attack detection, nine-class attack-family attribution, and fifteen-class fine-grained classification. A soft-voting ensemble of Random Forest, XGBoost, and LightGBM obtains the best fine-tier macro-F1 of 0.955, with coarse and binary macro-F1 scores of 0.980 and 0.999, respectively. We further conducted a feature selection study based on an analysis of feature importance. This comprehensive benchmark pipeline is configurable and open-source, enabling new feature extraction and model plugins for new datasets. Future work should use this pipeline as a reference point for richer features, rare-class analysis, and model generalization towards new datasets and attack classes.
• Abstract（参考訳）: 近年,機械学習 (ML) とディープラーニング (DL) が侵入検知システム (IDS) 研究を支配している。 残念ながら、多くの既存の研究は、データ収集やラベル付けから機能工学、モデルトレーニング、評価に至るまで、MLとDLパイプラインの重大な監視とミスのために、膨らませた結果と信頼性の低いベンチマークを生み出している。 CIC-IDS2017は、ネットワーク侵入検知のための標準ベンチマークである。 それでも、このデータセットで発表された結果の多くは、ラベル付けエラー、一貫性のないフロー抽出、潜在的なリーク、良質なトラフィックが支配するパフォーマンス評価メトリクスのために比較が難しい。 本稿では,PCAPレベルのラベリングを補正した総合ベンチマークと,MLモデルを用いた完全評価パイプラインを提案する。 本研究は,2次攻撃検出,9級攻撃ファミリー属性,15級きめ細粒度分類の3段階において,11個の表型分類器を評価した。 ランダムフォレスト(Random Forest)、XGBoost(XGBoost)、LightGBM(LightGBM)のソフトボーティングアンサンブルは、それぞれ0.955の最高のファイン層マクロF1と0.980と0.999のバイナリマクロF1スコアを得る。 さらに,特徴重要度分析に基づく特徴選択研究を行った。 この包括的なベンチマークパイプラインは、設定可能でオープンソースであり、新しいデータセットのための新機能抽出とモデルプラグインを可能にする。 今後の作業では、このパイプラインを、よりリッチな機能やレアクラスの分析、新しいデータセットやアタッククラスへのモデル一般化のためのリファレンスポイントとして使用するべきだ。

関連論文リスト

• Leakage-Robust Evaluation and Data-Scale Sensitivity of Attention-Enhanced Multi-Task Learning for Joint Fault Diagnosis and Remaining Useful Life Estimation [0.0]
  マルチタスクディープラーニングモデルは、スライディングウィンドウシーケンスがトレーニングとテストセットにどのように分割されるかによって影響を受ける可能性がある。 ナイーブな分割は、真の20-60%から99.9%に分類精度を低下させる可能性がある。 チャンクベース・リーク監査分割プロトコルを導入し,5種の種子,片方向ANOVA,Tukey HSDテストを用いて全モデルを評価した。
  論文  参考訳（メタデータ） (2026-07-17T20:33:36Z)
• Automated Vulnerability Detection in Source Code Using Deep Representation Learning [0.0]
  我々は、Cコードのバグをうまく識別できる畳み込みニューラルネットワークモデルを提案する。 2つの補完的なデータセットを使ってモデルをトレーニングしました。 また、我々は、偽陽性率の低い複雑なコードで本当の脆弱性を見つけることができるカスタムLinuxカーネルデータセットを実証しています。
  論文  参考訳（メタデータ） (2026-02-26T15:35:17Z)
• Automated Analysis of Learning Outcomes and Exam Questions Based on Bloom's Taxonomy [0.0]
  本稿では,ブルームの分類に基づく試験質問と学習結果の自動分類について検討する。 6つの認知カテゴリをラベル付けした600文の小さなデータセットを、従来の機械学習(ML)モデルを用いて処理した。
  論文  参考訳（メタデータ） (2025-11-14T02:31:12Z)
• Any-Class Presence Likelihood for Robust Multi-Label Classification with Abundant Negative Data [0.6990493129893112]
  マルチラベル分類(MLC)は、インスタンスを1つ以上の非排他クラスに割り当てる。 工業的欠陥検出、農業病の特定、医療診断などのLCC応用では、大量の負のデータに遭遇することが一般的である。 正の例において,不在クラス確率の相対的寄与を任意のクラスの存在可能性に制御する正規化パラメータを導入する。
  論文  参考訳（メタデータ） (2025-06-06T03:59:11Z)
• Analysis and Detection against Network Attacks in the Overlapping Phenomenon of Behavior Attribute [6.037603797518956]
  本稿では,WGAN-GP(Wasserstein-Generative-Adversarial-Network-with-Gradient-Penalty)を用いた深層学習に基づくマルチラベル検出モデルを提案する。 実験により,MDD-Modelは優れた分類性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-09-13T01:59:26Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)
• Parametric Classification for Generalized Category Discovery: A Baseline Study [70.73212959385387]
  Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。 パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。 エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
  論文  参考訳（メタデータ） (2022-11-21T18:47:11Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Noise-resistant Deep Metric Learning with Ranking-based Instance Selection [59.286567680389766]
  PRISM(Probabilistic Ranking-based Instance Selection with Memory)と呼ばれるDMLの耐騒音トレーニング技術を提案する。 PRISMは、ニューラルネットワークの以前のバージョンから抽出された画像特徴との平均的類似性を用いて、ミニバッチ内のノイズデータを識別する。 メモリバンクが生み出す高い計算コストを緩和するために,個々のデータポイントをクラスセンタに置き換える高速化手法を提案する。
  論文  参考訳（メタデータ） (2021-03-30T03:22:17Z)
• Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax [88.11979569564427]
  本報告では, 長期分布前における最先端モデルの過小評価に関する最初の体系的解析を行う。 本稿では,グループワイドトレーニングを通じて検出フレームワーク内の分類器のバランスをとるための,新しいバランス付きグループソフトマックス(BAGS)モジュールを提案する。 非常に最近の長尾大語彙オブジェクト認識ベンチマークLVISの大規模な実験により,提案したBAGSは検出器の性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2020-06-18T10:24:26Z)

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。