論文の概要: Autonomous Cyber Operations Gym for Training and Evaluating AI Models for Defence

• arxiv url: http://arxiv.org/abs/2610.18594v1
• Date: Tue, 13 Oct 2026 15:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:32:33.904624
• Title: Autonomous Cyber Operations Gym for Training and Evaluating AI Models for Defence
• Title（参考訳）: 防衛のためのAIモデルのトレーニングと評価のための自律型サイバーオペレーションジーム
• Abstract要約: 本稿では,自律型サイバーオペレーション(ACO)ジムを提案する。 高忠実なネットワークエミュレーション、良質なネットワークトラフィックと敵プロファイルのための現実的なユーザ行動モデリング、オープンツールキットによるサイバーセキュリティシナリオの生成を統合する。 パケットおよびフローレベルでのライブおよび遅延特徴抽出のサポートにより、ジムはディープニューラルネットワーク(DNN)ベースの侵入検知システム(IDS)をトレーニングするためのラベル付き合成データセットの作成を容易にする。
• 参考スコア（独自算出の注目度）: 0.40473013750931736
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes an Autonomous Cyber Operations (ACO) gym, a unified framework integrating high-fidelity network emulation, realistic user behaviour modelling for benign network traffic and adversarial profiles, and the generation of cybersecurity scenarios through open toolkits. By supporting live and deferred feature extraction at the packet and flow levels, the gym facilitates the creation of labelled synthetic datasets for training Deep Neural Network (DNN)-based Intrusion Detection Systems (IDSs), as well as developing and evaluating modular components for autonomous defence agents through emulated interactions. While evaluation of a DNN classifier within the gym shows high in-domain performance, achieving near-perfect recall on adversarial network flows, our experiments reveal a significant sensitivity to domain shift, showing that even minor changes in network composition, such as variations in traffic protocol distribution, can lead to a catastrophic collapse in model transferability and detection performance.
• Abstract（参考訳）: 本稿では,ACO(Autonomous Cyber Operations)ジム,高忠実度ネットワークエミュレーションを統合した統合フレームワーク,良質なネットワークトラフィックと敵プロファイルに対する現実的なユーザ行動モデリング,オープンツールキットによるサイバーセキュリティシナリオの生成を提案する。 パケットとフローレベルでのライブおよび遅延特徴抽出をサポートすることで、ジムはディープニューラルネットワーク(DNN)ベースの侵入検知システム(IDS)をトレーニングするためのラベル付き合成データセットの作成を容易にし、エミュレートされた相互作用を通じて自律防御エージェントのためのモジュールコンポーネントの開発と評価を行う。 体育館内におけるDNN分類器の評価は、ドメイン内性能が高く、対向的なネットワークフローに対するほぼ完全なリコールを実現しているが、本実験では、トラフィックプロトコル分布のばらつきなど、ネットワーク構成の微妙な変化さえも、モデル転送性や検出性能の破滅的な崩壊につながることを示した。

関連論文リスト

• An Improved CNN-LSTM Based Intrusion Detection System for IoT Networks [0.0]
  本稿では,多クラス分類,データセット統合,時間的特徴学習を組み合わせた改良型CNN-LSTMによる侵入検出モデルを提案する。 提案手法は,ネットワークトラフィックデータを用いて侵入検知タスクに基づいて評価し,約97%の精度を実現する。
  論文  参考訳（メタデータ） (2026-06-04T07:04:57Z)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Attention Augmented GNN RNN-Attention Models for Advanced Cybersecurity Intrusion Detection [0.4369550829556577]
  本稿では,グラフニューラルネットワーク(GNN),リカレントニューラルネットワーク(RNN),マルチヘッドアテンション機構を相乗的に組み合わせたハイブリッドディープラーニングアーキテクチャを提案する。 提案手法は,グラフ構造関係とネットワークイベントの逐次解析により,空間的依存関係を効果的に捉える。 統合されたアテンションメカニズムは、モデル解釈可能性の改善と機能選択の強化という2つの利点を提供し、サイバーセキュリティアナリストは、高インパクトなセキュリティイベントに計算リソースを集中させることができる。
  論文  参考訳（メタデータ） (2025-10-29T03:47:02Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Poster: Enhancing GNN Robustness for Network Intrusion Detection via Agent-based Analysis [5.881825061973424]
  グラフニューラルネットワーク(GNN)は、NIDS(Network Intrusion Detection Systems)に非常に有望であることを示す GNNは分布のドリフトによって性能が低下し、現実的な敵攻撃に対するロバスト性が欠如している。 本研究は,エージェントパイプラインにLarge Language Models(LLMs)を模擬サイバーセキュリティ専門家エージェントとして使用することにより,GNNの堅牢性と一般化を促進する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-25T19:49:55Z)
• Intrusion Detection System Using Deep Learning for Network Security [0.6554326244334868]
  本稿では,深層学習技術に基づくIDSモデルの実験的評価を提案する。 ネットワークトラフィックを悪意のあるカテゴリと良心的なカテゴリに分類することに注力する。 テストされたモデルのうち、最高は96%の精度を達成した。
  論文  参考訳（メタデータ） (2025-05-09T06:04:58Z)
• Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks [0.25163931116642785]
  GAN(Generative Adversarial Networks)の統合によるNIDSの性能向上のための新しいアプローチを提案する。 GANは、現実世界のネットワークの振る舞いを忠実に模倣する合成ネットワークトラフィックデータを生成する。 NIDSへのGANの統合は,訓練データに制限のある攻撃に対する侵入検知性能の向上につながる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-04-11T04:01:15Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)

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。