論文の概要: Tanchun: Robust Flow-Based HTTP(S) DDoS Detection via Behavioral Attribute Guidance

• arxiv url: http://arxiv.org/abs/2610.18406v1
• Date: Tue, 13 Oct 2026 13:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 21:30:58.242937
• Title: Tanchun: Robust Flow-Based HTTP(S) DDoS Detection via Behavioral Attribute Guidance
• Title（参考訳）: Tanchun: 行動属性ガイダンスによるロバストフローベースのHTTP(S)DDoS検出
• Abstract要約: フローベースの検出は、大規模なHTTP(S)DDoS検出のための有望なソリューションである。 ドリフト対応フローベース検出システムであるTanchunについて述べる。 タンチュンは、平均F1スコアが0.988であり、良性トレーフとアタックトレーフのドリフトでそれぞれ5.3%、9.6%で2番目のベストメソッドを上回っている。
• 参考スコア（独自算出の注目度）: 17.602626025012253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: HTTP(S) DDoS attacks have surged in frequency and scale, posing a significant threat to network security. Flow-based detection is a promising solution for large-scale HTTP(S) DDoS detection due to its decryption-free operation and scalability. However, the coarse-grained numerical statistics in flow data limit accurate attack detection and lack robustness when benign and attack traffic patterns drift over time. In this paper, we present Tanchun, a drift-aware flow-based HTTP(S) DDoS detection system that relies solely on decryption-free flow data. Specifically, Tanchun groups flows by IP-pair and aggregates them over consecutive time slots into behavior sequences, capturing temporal access patterns to compensate for the limited information in individual flows. It further abstracts these sequences into human-understandable behavioral attributes that capture stable behavioral semantics. Tanchun then aligns behavior sequences with their corresponding behavioral attributes to guide representation learning, enabling robust detection under traffic drift. We evaluate Tanchun across diverse HTTP(S) DDoS scenarios. Tanchun achieves the best overall performance, with an average F1-score of 0.988, and outperforms the second-best method by 5.3\% and 9.6\% under benign-traffic and attack-traffic drift, respectively. Experiments on real-world traffic traces further demonstrate its practical effectiveness.
• Abstract（参考訳）: HTTP(S) DDoS攻撃は頻度と規模が増加し、ネットワークセキュリティに重大な脅威をもたらしている。 フローベース検出は、復号化操作とスケーラビリティのため、大規模なHTTP(S)DDoS検出のための有望なソリューションである。 しかし、流れデータの粗い数値統計は正確な攻撃検出を制限し、曲がりくねりや攻撃のパターンが時間とともに漂うときの頑丈さを欠いている。 本稿では,ドリフト対応フローベースHTTP(S)DDoS検出システムであるTanchunについて述べる。 具体的には、TanchunグループはIPペアによってフローし、連続したタイムスロットを動作シーケンスに集約し、時間的アクセスパターンをキャプチャして、個々のフロー内の限られた情報を補う。 さらに、これらの配列を人間の理解可能な行動属性に抽象化し、安定した行動意味論をキャプチャする。 その後、Tanchunは行動シーケンスを対応する行動属性と整列して表現学習をガイドし、トラフィックドリフト下で堅牢な検出を可能にする。 さまざまなHTTP(S) DDoSシナリオでTanchunを評価する。 タンチュンは平均F1スコア0.988で最高性能を達成し、ベニグニグトラフィックドリフトとアタックトラフィックドリフトでそれぞれ5.3\%と9.6\%の2番目のベストメソッドを上回っている。 実世界の交通トレースの実験は、その実用性をさらに証明している。

関連論文リスト

• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• FlowGuard: Flow Matching for Identity-Independent Detection of Data-Free Model Stealing Attacks on Energy System Intrusion Detection Systems [0.0]
  FlowGuardは、入ってくるクエリをアウト・オブ・ディストリビューション(OOD)として分類するフローマッチングに基づく、IDに依存しない防御である。 このアプローチは、データフリーモデル盗難攻撃のために合成的に生成されたクエリが、実際のネットワークトラフィックよりも低次元の多様体を占有しているという事実を生かしている。 我々は,MAZE と DisGUIDE 攻撃を用いたPRADA と FDINet に対して,単サイクルで分散した (100-client Sybil) 設定で評価した。
  論文  参考訳（メタデータ） (2026-06-02T10:18:45Z)
• Malice in Agentland: Down the Rabbit Hole of Backdoors in the AI Supply Chain [82.98626829232899]
  自分自身のインタラクションからのデータに対する微調整のAIエージェントは、AIサプライチェーン内の重要なセキュリティ脆弱性を導入している。 敵は容易にデータ収集パイプラインに毒を盛り、検出しにくいバックドアを埋め込むことができる。
  論文  参考訳（メタデータ） (2025-10-03T12:47:21Z)
• DRIFT: Dynamic Rule-Based Defense with Injection Isolation for Securing LLM Agents [52.92354372596197]
  大規模言語モデル(LLM)は、強力な推論と計画能力のため、エージェントシステムの中心となってきています。 この相互作用は、外部ソースからの悪意のある入力がエージェントの振る舞いを誤解させる可能性がある、インジェクション攻撃のリスクも引き起こす。 本稿では,信頼に値するエージェントシステムのための動的ルールベースの分離フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T05:01:09Z)
• Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods [0.0]
  本論文の目的は、すべてのサービス要求からDDoS攻撃を検出し、DDoSクラスに従ってそれらを分類することである。 SVMとロジスティック回帰という2つの異なる機械学習アプローチが、DDoS攻撃を検出して分類するためのデータセットに実装されている。 Logistic RegressionとSVMはどちらも98.65%の分類精度を達成した。
  論文  参考訳（メタデータ） (2024-11-21T13:15:26Z)
• A Flow is a Stream of Packets: A Stream-Structured Data Approach for DDoS Detection [32.22817720403158]
  本稿では,フローをストリーム構造として動作させる新しいツリーベースDDoS検出手法を提案する。 我々のアプローチは、最先端のディープラーニング手法を含む既存の機械学習技術の精度と一致しているか、あるいは超えている。
  論文  参考訳（メタデータ） (2024-05-12T09:29:59Z)
• Classification and Explanation of Distributed Denial-of-Service (DDoS) Attack Detection using Machine Learning and Shapley Additive Explanation (SHAP) Methods [4.899818550820576]
  合法的なトラフィックと悪意のあるトラフィックの区別は難しい作業です。 交通流の良否を分類するために実装されたモデル間説明は、モデルの内部動作理論の重要な研究である。 本稿では、DDoS攻撃の正当なトラフィックと悪意のあるトラフィックを分類するだけでなく、SHAPを用いてモデルの意思決定を説明するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-27T04:51:29Z)
• DoS and DDoS Mitigation Using Variational Autoencoders [15.23225419183423]
  我々は、インテリジェントなセキュリティソリューション内のコンポーネントとして機能する変分オートエンコーダの可能性を探る。 ネットワークトラフィックフローから潜在表現を学習する変分オートエンコーダの能力に基づく2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-05-14T15:38:40Z)
• Graph Backdoor [53.70971502299977]
  GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。 トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
  論文  参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。