論文の概要: SERA-IDS: Structured Experience Retrieval-Augmented Intrusion Detection with Small Language Models
- arxiv url: http://arxiv.org/abs/2610.03999v1
- Date: Fri, 02 Oct 2026 20:03:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.344463
- Title: SERA-IDS: Structured Experience Retrieval-Augmented Intrusion Detection with Small Language Models
- Title（参考訳）: SERA-IDS:小言語モデルを用いた構造的検索拡張侵入検出
- Abstract要約: 大規模言語モデル(LLM)は、ネットワーク侵入検出に対する柔軟なアプローチを提供する。
数値フローレコードの直接分類は、トラフィック固有の決定境界なしでは信頼性が低い。
本稿では,SERA-IDS(Structured Experience Retrieval-Augmented Intru-sion Detection framework)を提案する。
- 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: Large language models (LLMs) offer a flexible approach to network intrusion detection, but direct classification of numerical flow records can be unreliable without traffic- specific decision boundaries. Retrieval-augmented generation (RAG) enables LLMs to leverage external experience; however, free-form textual experience requires the model to infer the numerical conditions that distinguish traffic classes. We propose SERA-IDS, a Structured Experience Retrieval-Augmented Intru- sion Detection framework that learns decision knowledge from classification errors. A Small Language Model (SLM) analyzes misclassified flows and generates structured rules containing behavioral descriptions, feature conditions, class-confusion infor- mation, tool-derived confidence, and provenance. A confidence gate admits supported rules into the Experience Library. During testing, the library is frozen, and retrieved class-diverse rules are condition-matched to the query flow and provided as evidence to the decision SLM. The same library is evaluated with three small, locally deployable SLMs, namely Llama 3.1, Phi-4:14B, and Qwen2.5:7B, without fine-tuning or paid hosted inference. On the test sets, SERA-IDS improves macro F1 on NF-BoT- IoT from 11.66%, 9.26%, and 7.83% to 86.46%, 69.50%, and 83.51%, respectively, and on NF-ToN-IoT from 3.82%, 6.17%, and 1.94% to 84.16%, 87.66%, and 83.37%. These results show that structured experience retrieval enables small, free, and locally deployable SLMs to achieve strong intrusion-detection performance, including performance exceeding that of the re- ported existing work used in our comparison.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、ネットワーク侵入検出に対する柔軟なアプローチを提供するが、数値フローレコードの直接的な分類は、トラフィック固有の決定境界なしでは信頼性が低い。
Retrieval-augmented Generation (RAG) により、LLMは外部体験を活用することができるが、自由形式のテキスト体験では、トラフィッククラスを区別する数値条件を推論する必要がある。
分類誤りから決定知識を学習する構造化経験検索型Intru-sion検出フレームワークSERA-IDSを提案する。
小型言語モデル(SLM)は、誤分類されたフローを分析し、行動記述、特徴条件、クラス・コンフュージョン・フォー・メーション、ツール由来の信頼、証明を含む構造化されたルールを生成する。
信頼ゲートは、サポートされたルールをエクスペリエンスライブラリに承認する。
テスト中、ライブラリは凍結され、検索されたクラス多様性ルールはクエリフローに条件マッチングされ、決定SLMのエビデンスとして提供される。
同じライブラリはLlama 3.1、Phi-4:14B、Qwen2.5:7Bの3つの小さなローカルデプロイ可能なSLMで評価されている。
テストセットでは、SERA-IDSはNF-BoT-IoTのマクロF1を11.66%、9.26%、そして7.83%から86.46%、69.50%、83.51%に改善し、NF-ToN-IoTは3.82%、6.17%、そして1.94%から84.16%、87.66%、83.37%に改善した。
これらの結果から, 構造化経験検索により, 小型で, 自由で, ローカルに展開可能なSLMの侵入検出性能が, 再移植された既存作業よりも高い性能を達成できることが示唆された。
関連論文リスト
- In-Context Learning for Wound Classification with Small Multimodal Language Models [0.8166364251367626]
本研究は,小マルチモーダル言語モデル (Ms) が創傷分類の訓練自由な代替手段となるかどうかを検証した。
実験では2つの公開創傷画像データセットを使用した。
検索ベースのICLにより、SMLMはタスク固有のリトレーニングなしで創傷画像分類を行うことができる。
論文 参考訳（メタデータ） (2026-07-21T07:55:07Z) - DiscoUQ: Structured Disagreement Analysis for Uncertainty Quantification in LLM Agent Ensembles [5.647839536820347]
著者間の不一致構造を抽出し活用し,信頼度を良好に推定するフレームワークであるDiscoUQを紹介する。
DiscoUQ-LLM の平均 AUROC は 0.802 であり、最高のベースラインを上回っている。
学習した機能は、ほぼゼロに近いパフォーマンス劣化を伴うベンチマークで一般化される。
論文 参考訳（メタデータ） (2026-03-21T23:24:12Z) - Encyclo-K: Evaluating LLMs with Dynamically Composed Knowledge Statements [78.87065404966002]
既存のベンチマークは、主に質問レベルで質問をキュレートする。
ベンチマーク構築をゼロから再考するステートメントベースのベンチマークであるEncyclo-Kを提案する。
論文 参考訳（メタデータ） (2025-12-31T13:55:54Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7～39%増加させ、明確な質問を1.5～2.7$times$に減らした。
論文 参考訳（メタデータ） (2025-11-11T21:50:44Z) - ORFuzz: Fuzzing the "Other Side" of LLM Safety -- Testing Over-Refusal [27.26251627767238]
大規模言語モデル(LLM)は、過度に保守的な安全対策のため、誤って良心的なクエリーを拒否する過度な拒絶を示す。
本稿では,LLMオーバーリフレクションの系統的検出と解析を行うための,最初の進化的テストフレームワークORFuzzを紹介する。
論文 参考訳（メタデータ） (2025-08-15T05:03:26Z) - LLMEval-3: A Large-Scale Longitudinal Study on Robust and Fair Evaluation of Large Language Models [51.55869466207234]
静的ベンチマークにおけるLLM(Large Language Models)の既存の評価は、データの汚染やリーダーボードのオーバーフィッティングに弱い。
LLMの動的評価のためのフレームワークであるLLMEval-3を紹介する。
LLEval-3は、220kの卒業生レベルの質問からなるプロプライエタリなバンク上に構築されており、評価実行毎に未確認のテストセットを動的にサンプリングする。
論文 参考訳（メタデータ） (2025-08-07T14:46:30Z) - The Foundation Cracks: A Comprehensive Study on Bugs and Testing Practices in LLM Libraries [37.57398329330302]
大規模言語モデル(LLM)ライブラリは、今日のAI革命を支える基盤インフラストラクチャとして登場した。
LLMエコシステムにおけるそれらの重要な役割にもかかわらず、これらのライブラリは、それら上に構築されたAIシステムの信頼性を脅かすような、頻繁な品質の問題とバグに直面している。
本稿では,近代LLMライブラリにおけるバグの特徴とテスト実践に関する総合的研究について紹介する。
論文 参考訳（メタデータ） (2025-06-14T03:00:36Z) - Reliable Decision Support with LLMs: A Framework for Evaluating Consistency in Binary Text Classification Applications [0.7124971549479361]
本研究では,大言語モデル(LLM)のバイナリテキスト分類における一貫性を評価するフレームワークを提案する。
我々は,サンプルサイズ要件を定め,不適切な応答の指標を開発し,レータ内およびレータ間信頼性を評価する。
論文 参考訳（メタデータ） (2025-05-20T21:12:58Z) - Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。
本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-05T16:35:30Z) - Coverage-based Example Selection for In-Context Learning [27.215972147196805]
BERTScore-Recall (BSR) がテスト入力の健全な側面をよりよく示すより良い例を選択していることを示す。
6つのタスクにまたがる15のデータセットと7つの LLM に対して、(1) BSR は、ボード全体のコンテキスト内サンプル選択において優れた指標であり、(2) 構成タスクでは、Set-BSR は、平均17ポイントまで独立したランキングを上回ります。
論文 参考訳（メタデータ） (2023-05-24T08:58:28Z)
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。