Fugu-MT 論文翻訳(概要): Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks

論文の概要: Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks

arxiv url: http://arxiv.org/abs/2609.36167v1
Date: Mon, 28 Sep 2026 19:37:38 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-30 21:28:46.973597
Title: Adversarial Debiasing of Machine Learning Models for Enhanced Network Security against DDoS Attacks
Title（参考訳）: DDoS攻撃に対するネットワークセキュリティ強化のための機械学習モデルの逆バイアス
Abstract要約: そこで本稿では,ジェネレーティブ・アドバイサル・ネットワークとランダムフォレスト分類器を併用した合成データ生成によるDDoS攻撃検出手法を提案する。 GANが生成したデータでは、実際のトラフィックとコサインが80.3%類似していることが示され、モデルが基盤となるトラフィックパターンをより効果的に学習するのに役立った。ベンチマークデータの99.9パーセントの精度と、以前に見つからなかった合成トラフィックでテストされた場合の22.60%の改善である。
参考スコア（独自算出の注目度）: 4.748507559038443
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Distributed Denial of Service attacks are a growing threat to network infrastructure, and new techniques, including the use of generative AI, make them harder to detect. Traditional detection systems, such as rule based firewalls, often fail to identify these evolving attack patterns. In this study, we propose a new method for detecting DDoS attacks by combining synthetic data generation using Generative Adversarial Networks with a Random Forest classifier. The GAN generated data showed 80.3 percent cosine similarity to real traffic, which helped the model learn underlying traffic patterns more effectively. To address imbalances in the data, especially in packet related features, we applied adversarial debiasing. This reduced the model's sensitivity to skewed distributions in variables such as forward and backward packet counts and total byte lengths. Our results show that models trained on a mix of synthetic and real data achieved significantly better performance: 99.98 percent accuracy on benchmark data and a 22.60 percent improvement when tested on previously unseen synthetic traffic. This suggests that the method can generalize well across different traffic scenarios and adapt quickly to new types of attacks. The proposed approach not only improves DDoS detection but also provides a scalable foundation for security models that account for bias and benefit from data augmentation. Our findings show that combining GANs with adversarial debiasing can lead to more robust and effective DDoS mitigation, supporting the further development of machine learning based cyber security.
Abstract（参考訳）: 分散型サービス拒否攻撃は、ネットワークインフラストラクチャに対する脅威の増大であり、生成AIの使用を含む新しいテクニックは、検出を難しくする。ルールベースのファイアウォールのような従来の検知システムは、しばしばこれらの進化する攻撃パターンを特定するのに失敗する。本研究では,ジェネレーティブ・アドバイサル・ネットワークとランダムフォレスト分類器を併用した合成データ生成によるDDoS攻撃検出手法を提案する。 GANが生成したデータでは、実際のトラフィックとコサインが80.3%類似していることが示され、モデルが基盤となるトラフィックパターンをより効果的に学習するのに役立った。データの不均衡,特にパケット関連の特徴に対処するために,逆行性偏りを適用した。これにより、前方および後方パケット数や全バイト長といった変数のスキュード分布に対するモデルの感度が低下した。ベンチマークデータの99.9パーセントの精度と、以前に見つからなかった合成トラフィックでテストされた場合の22.60%の改善である。これは、異なるトラフィックシナリオにまたがってメソッドがうまく一般化し、新しいタイプの攻撃に迅速に適応できることを示唆している。提案されたアプローチは、DDoS検出を改善するだけでなく、バイアスとデータ拡張のメリットを考慮に入れたセキュリティモデルのスケーラブルな基盤も提供する。以上の結果から,GANと逆行性脱バイアスを組み合わせることで,より堅牢で効果的なDDoS対策が実現し,機械学習によるサイバーセキュリティのさらなる発展を支援することが示唆された。

関連論文リスト

A GAN-Based Framework for Robust DDoS Attack Detection [0.5511615472191279]
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。
論文参考訳（メタデータ） (2026-09-16T08:04:05Z)
PHANTOM: Progressive High-fidelity Adversarial Network for Threat Object Modeling [0.0]
PHANTOMは、高忠実性合成攻撃データを生成するための新しい逆変分フレームワークである。そのイノベーションには、プログレッシブトレーニング、デュアルパスのVAE-GANアーキテクチャ、攻撃のセマンティクスを保存するためのドメイン固有の特徴マッチングなどがある。 PHANTOMデータに基づいてトレーニングされたモデルは、実際の攻撃に対して98%の重み付き精度を達成する。
論文参考訳（メタデータ） (2025-12-12T18:14:19Z)
Detection and classification of DDoS flooding attacks by machine learning method [0.0]
本研究では,ニューラルネットワークを用いた分散型サービス拒否攻撃(DDoS)の検出と分類に焦点をあてる。通常のトラフィックとさまざまなDDoS攻撃を含むデータセットを使用して、24-106-5アーキテクチャでニューラルネットワークモデルをトレーニングした。このモデルは高い精度(99.35%)、精度(99.32%)、リコール(99.54%)、Fスコア(0.99)を達成した。
論文参考訳（メタデータ） (2024-12-25T21:58:52Z)
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)
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)
CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。 CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
論文参考訳（メタデータ） (2022-10-14T11:27:49Z)
Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。複数のマシンにまたがって実装された大規模バッチ対逆トレ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） (2022-06-13T15:39:43Z)
Modelling Adversarial Noise for Adversarial Defense [96.56200586800219]
敵の防御は、通常、敵の音を除去したり、敵の頑強な目標モデルを訓練するために、敵の例を活用することに焦点を当てる。逆データと自然データの関係は、逆データからクリーンデータを推測し、最終的な正しい予測を得るのに役立ちます。本研究では, ラベル空間の遷移関係を学習するために, 逆方向の雑音をモデル化し, 逆方向の精度を向上させることを目的とした。
論文参考訳（メタデータ） (2021-09-21T01:13:26Z)
Knowledge-Enriched Distributional Model Inversion Attacks [49.43828150561947]
モデルインバージョン(MI)攻撃は、モデルパラメータからトレーニングデータを再構成することを目的としている。本稿では,パブリックデータからプライベートモデルに対する攻撃を行うのに役立つ知識を抽出する,新しい反転型GANを提案する。実験の結果,これらの手法を組み合わせることで,最先端MI攻撃の成功率を150%向上させることができることがわかった。
論文参考訳（メタデータ） (2020-10-08T16:20:48Z)

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。