論文の概要: Empirical Evaluation of Machine Learning for Cloud Cryptojacking Detection: Effects of Preprocessing and Evaluation Protocols

• arxiv url: http://arxiv.org/abs/2610.20658v1
• Date: Wed, 14 Oct 2026 01:25:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:15.971779
• Title: Empirical Evaluation of Machine Learning for Cloud Cryptojacking Detection: Effects of Preprocessing and Evaluation Protocols
• Title（参考訳）: クラウド・クリプトジャック検出のための機械学習の実証評価:前処理と評価プロトコルの効果
• Abstract要約: 本稿では,AIベースのクラウド・暗号ジャック検出のための機械学習モデルとして広く利用されている6つのモデルについて,実証評価を行った。 評価モデルにはRandom Forest、XGBoost、LightGBM、Gradient Boosting、Decision Tree、K-Nearest Neighbors(KNN)などがある。
• 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: Artificial intelligence (AI) has been widely applied to cloud cryptojacking detection. Classical machine learning models remain among the most widely used approaches for cloud cryptojacking detection. This paper presents an empirical evaluation of six widely used classical machine learning models for AI-based cloud cryptojacking detection under different preprocessing and evaluation settings. Because no public cloud-native cryptojacking dataset is currently available, experiments were conducted using two publicly available proxy datasets, DS2OS and NSL-KDD. The evaluated models include Random Forest, XGBoost, LightGBM, Gradient Boosting, Decision Tree, and K-Nearest Neighbors (KNN). Experimental results show that preprocessing choices and evaluation protocols have a measurable impact on model performance. On DS2OS, removing identifier-related features reduced the accuracy of most models to approximately 96%, while KNN achieved higher accuracy with lower attack recall. On NSL-KDD, models obtained 77 to 80\% accuracy on the official test set containing unseen attack types, compared with above 99.5% under a random train-test split. Attack-class precision, recall, and Matthews Correlation Coefficient (MCC) further provide complementary insights into classifier performance beyond overall accuracy. The results provide an empirical comparison of commonly used classical machine learning models under consistent experimental settings and offer insights into how preprocessing, dataset selection, and evaluation methodology influence reported performance.
• Abstract（参考訳）: 人工知能(AI)は、クラウドの暗号鍵検出に広く応用されている。 古典的な機械学習モデルは、クラウドの暗号鍵検出において最も広く使われているアプローチの1つである。 本稿では,AIベースのクラウド暗号鍵検出のための6種類の古典的機械学習モデルについて,前処理と評価設定の違いによる実証評価を行った。 現在、パブリックなクラウドネイティブな暗号鍵データセットは利用できないため、DS2OSとNSL-KDDという2つのパブリックなプロキシデータセットを使用して実験が行われた。 評価モデルにはRandom Forest、XGBoost、LightGBM、Gradient Boosting、Decision Tree、K-Nearest Neighbors (KNN)が含まれる。 実験結果から,事前処理の選択と評価プロトコルがモデル性能に与える影響が示唆された。 DS2OSでは、識別子関連機能を削除することで、ほとんどのモデルの精度はおよそ96%に低下し、KNNはより低い攻撃リコールで高い精度を達成した。 NSL-KDDでは、不正な攻撃タイプを含む公式テストセットで77～80\%の精度が得られたが、ランダムな列車試験のスプリットでは99.5%以上であった。 攻撃クラスの精度、リコール、およびマシューズ相関係数(MCC)はさらに、全体的な精度を超えた分類器の性能に関する補完的な洞察を提供する。 その結果、一貫した実験環境下でよく使われる古典的機械学習モデルを実証的に比較し、事前処理、データセットの選択、評価方法論が報告されたパフォーマンスにどのように影響するかについての洞察を提供する。

関連論文リスト

• Robust Taxi Fare Prediction Under Noisy Conditions: A Comparative Study of GAT, TimesNet, and XGBoost [0.0]
  本研究では,3つの機械学習モデルであるグラフ注意ネットワーク(GAT),XGBoost,TimesNetについて検討する。 5500万以上のデータからなる実世界のデータセットを用いて,タクシー運賃の予測能力を評価する。 この研究は、現実的な条件下での古典的学習モデルと深層学習モデルの間に重要な違いを明らかにしている。
  論文  参考訳（メタデータ） (2025-07-26T16:55:16Z)
• Evaluation of Machine Learning Models in Student Academic Performance Prediction [0.0]
  本研究では,学校環境における学生の学業成績を予測するための機械学習手法について検討する。 行動、学術、人口統計の詳細を持つ学生のデータは、標準的な古典的機械学習モデルの実装に使用された。
  論文  参考訳（メタデータ） (2025-06-08T13:33:49Z)
• Enhancing IoT Cyber Attack Detection in the Presence of Highly Imbalanced Data [0.0]
  本研究では、ハイブリッドサンプリング技術を用いて、IoT領域のデータ不均衡検出精度を向上させる。 サイバー攻撃の分類に関して,複数の機械学習モデルの性能を評価する。 全体として、この研究は、ハイブリッドサンプリングの価値と堅牢なモデルと機能選択を組み合わせることで、IoTセキュリティを著しく改善することを示している。
  論文  参考訳（メタデータ） (2025-05-15T14:02:48Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Hybrid Deep Convolutional Neural Networks Combined with Autoencoders And Augmented Data To Predict The Look-Up Table 2006 [2.082445711353476]
  本研究では、自己エンコーダとデータ拡張技術により強化されたハイブリッドディープ畳み込みニューラルネットワーク(DCNN)モデルの開発について検討する。 オリジナルの入力機能を3つの異なるオートエンコーダ構成で拡張することにより、モデルの予測能力は大幅に改善された。
  論文  参考訳（メタデータ） (2024-08-26T20:45:07Z)
• Predictive Analytics of Varieties of Potatoes [2.336821989135698]
  本研究では, 育種試験におけるサツマイモクローンの選択プロセスの向上を目的とした, 機械学習アルゴリズムの適用について検討する。 本研究は, 高収率, 耐病性, 耐気候性ポテト品種を効率的に同定することの課題に対処する。
  論文  参考訳（メタデータ） (2024-04-04T00:49:05Z)
• Exploring the Effectiveness of Dataset Synthesis: An application of Apple Detection in Orchards [68.95806641664713]
  本研究では,リンゴ樹の合成データセットを生成するための安定拡散2.1-baseの有用性について検討する。 我々は、現実世界のリンゴ検出データセットでリンゴを予測するために、YOLOv5mオブジェクト検出モデルを訓練する。 その結果、実世界の画像でトレーニングされたベースラインモデルと比較して、生成データでトレーニングされたモデルはわずかに性能が劣っていることがわかった。
  論文  参考訳（メタデータ） (2023-06-20T09:46:01Z)
• Unleashing Mask: Explore the Intrinsic Out-of-Distribution Detection Capability [70.72426887518517]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイする際に、セキュアAIの必須の側面である。 本稿では,IDデータを用いた学習モデルのOOD識別能力を復元する新しい手法であるUnleashing Maskを提案する。 本手法では, マスクを用いて記憶した非定型サンプルを抽出し, モデルを微調整するか, 導入したマスクでプルーする。
  論文  参考訳（メタデータ） (2023-06-06T14:23:34Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)

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。