論文の概要: IDSForge: Self-Explaining Network Intrusion Detection Through Neural Behavioral Rule Learning

• arxiv url: http://arxiv.org/abs/2610.38890v1
• Date: Wed, 28 Oct 2026 20:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:20:42.84826
• Title: IDSForge: Self-Explaining Network Intrusion Detection Through Neural Behavioral Rule Learning
• Title（参考訳）: IDSForge: ニューラルネットワークによる行動ルール学習による自己説明型ネットワーク侵入検出
• Abstract要約: IDSForgeは、曖昧なトラフィックから明示的で実行可能な振る舞いルールを学ぶ、異常ベースのNIDSである。 IDSForgeは、最先端の異常ベースのベースラインと比較して、F1エラーを5.7times$から4.7times$に削減する。
• 参考スコア（独自算出の注目度）: 7.054725909456629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Anomaly-based network intrusion detection systems (NIDS) can detect previously unseen attacks by identifying deviations from benign traffic. However, deep learning-based anomaly detectors typically rely on implicit decision boundaries, and post-hoc explanations may not faithfully reflect the detection logic. This makes alerts difficult to interpret and audit. To address this issue, we present IDSForge, an anomaly-based NIDS that directly learns explicit, executable behavioral rules from benign traffic, making its detection logic interpretable by design. IDSForge uses the same rule set for detection and explanation, ensuring explanation fidelity by construction. It uses an explicit distributional autoencoder trained only on benign samples to learn axis-aligned regions of benign traffic. A high-speed rule compiler then consolidates these instance-specific regions into a compact set of feature-level interval constraints. These rules can be executed directly by popular NIDS engines, supporting high-throughput inspection with low overhead. To adapt to changes in traffic, a self-distillation co-evolver updates the model and rule set incrementally when the false-positive rate on analyst-verified traffic exceeds a target threshold. Our evaluation shows that IDSForge reduces F1 error by $5.7\times$ to $47\times$ relative to state-of-the-art anomaly-based baselines. Deployed in Suricata, IDSForge sustains a throughput of 7.8 Gbps with a median per-packet latency overhead of 3.1 $μ\text{s}$.
• Abstract（参考訳）: 異常に基づくネットワーク侵入検知システム(NIDS)は、良性トラフィックからの逸脱を識別することにより、これまで見つからなかった攻撃を検出することができる。 しかし、ディープラーニングに基づく異常検出は一般的に暗黙的な決定境界に依存しており、ポストホックな説明は検出ロジックを忠実に反映していない。 これにより、アラートの解釈と監査が難しくなる。 この問題に対処するために、IDSForgeは、明示的で実行可能な動作ルールを直接学習し、その検出ロジックを設計によって解釈可能にする、異常ベースのNIDSである。 IDSForgeは、同じルールセットを使用して、検出と説明を行い、建設による説明の忠実性を保証する。 良性トラフィックの軸方向の領域を学習するために、良性サンプルのみに基づいてトレーニングされた明示的な分布自動エンコーダを使用する。 高速なルールコンパイラは、これらのインスタンス固有の領域を、特徴レベルの間隔制約のコンパクトなセットに統合する。 これらのルールは一般的なNIDSエンジンで直接実行することができ、低オーバーヘッドで高スループット検査をサポートする。 自己蒸留共進化器は、トラフィックの変化に適応するため、アナリスト認証トラフィックにおける偽陽性率が目標閾値を超えた場合に、モデルとルールを漸進的に更新する。 我々の評価では、IDSForgeはF1エラーを5.7\times$から47\times$に減らし、最先端の異常ベースのベースラインと比較した。 SuricataでデプロイされたIDSForgeは、スループットが7.8Gbpsで、パッケージ毎のレイテンシの中央値は3.1$μ\text{s}$である。

関連論文リスト

• When Agents Look Like Beacons: NIDS Evasion by Model Context Protocol Traffic [0.5076419064097734]
  明示的なネットワーク層表示がなければ,MPPトラフィックはCommand and Control (C2) のビーカリング動作に類似していることが示される。 本稿では,エージェントNative Native ALPNと標準帯域外ヘッダを含むエージェントベースのネットワーク表示標準を提案する。
  論文  参考訳（メタデータ） (2026-09-16T17:27:42Z)
• Verification-Guided Specification Synthesis with Large Language Models for Intrusion Detection Rules [7.112060233202425]
  本研究では,HTTP要求トレースからSuricataルールを生成するための検証誘導型合成仕様フレームワークを提案する。 実世界のCVE281と、実際のIoTデバイスから収集された良性トラフィックの実験により、提案手法は偽陽性率0.0%を維持しつつ、81.5%の検出率を達成することが示された。
  論文  参考訳（メタデータ） (2026-08-24T07:20:54Z)
• Detecting Adversarial Evasion Attacks Against Autoencoder-Based Network Intrusion Detection Systems [0.0]
  侵入攻撃はMLベースのシステムへの入力を意図的に操作し、操作された入力がまだ良さそうに見える間に誤った予測を生成する。 本稿では,Residual Localisation Detector (RLD) とFeature-Space Perturbation Consistency (FPC) Detector (FPC) の2つの補完検出器を提案する。 UQ-IoTデータセット内の複数のIoTデバイスからの良性、悪意、敵対的なトラフィックに対して、両方の検出器を評価する。
  論文  参考訳（メタデータ） (2026-07-01T17:26:24Z)
• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• CANTXSec: A Deterministic Intrusion Detection and Prevention System for CAN Bus Monitoring ECU Activations [53.036288487863786]
  物理ECUアクティベーションに基づく最初の決定論的侵入検知・防止システムであるCANTXSecを提案する。 CANバスの古典的な攻撃を検知・防止し、文献では調査されていない高度な攻撃を検知する。 物理テストベッド上での解法の有効性を実証し,攻撃の両クラスにおいて100%検出精度を達成し,100%のFIAを防止した。
  論文  参考訳（メタデータ） (2025-05-14T13:37:07Z)
• Defending against Indirect Prompt Injection by Instruction Detection [109.30156975159561]
  InstructDetectorは、LLMの動作状態を利用して潜在的なIPI攻撃を特定する、新しい検出ベースのアプローチである。 InstructDetectorは、ドメイン内設定で99.60%、ドメイン外設定で96.90%の検出精度を達成し、攻撃成功率をBIPIAベンチマークで0.03%に下げる。
  論文  参考訳（メタデータ） (2025-05-08T13:04:45Z)
• Semi-Supervised Learning for Anomaly Traffic Detection via Bidirectional Normalizing Flows [47.4772981101262]
  本稿では,異常なネットワークトラフィック検出の問題点を考察し,通常のトラフィックのみを用いた3段階の異常検出フレームワークを提案する。 本フレームワークは,異常を事前に知ることなく擬似異常サンプルを生成し,異常データの検出を実現する。
  論文  参考訳（メタデータ） (2024-03-13T02:10:32Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
  本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。 提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
  論文  参考訳（メタデータ） (2020-10-04T13:28:28Z)

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。