論文の概要: Network Intrusion Forensic Detection System with Explainable Artificial Intelligence and Digital Chain of Custody
- arxiv url: http://arxiv.org/abs/2611.06173v1
- Date: Wed, 04 Nov 2026 08:54:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 03:25:58.03331
- Title: Network Intrusion Forensic Detection System with Explainable Artificial Intelligence and Digital Chain of Custody
- Title（参考訳）: 説明可能な人工知能とカストディのデジタルチェインを用いたネットワーク侵入法鑑定システム
- Abstract要約: MODEXRE は,SHAP 説明可能性を備えた合成データ学習型 XGBoost 分類器を二重モードアーキテクチャに拡張した法定パイプラインである。
Suricataアラート、CEFファイアウォールログ、パケットキャプチャはOCSFを通じて正規化される。
解析結果として、連鎖検証、モデル整合性ハッシュ、予測毎のSHAP説明が報告されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying an explainable intrusion detection model from a validated laboratory setting into a forensic workflow requires guarantees that benchmarks do not test: that the certified model is the exact artifact applied to a case, that heterogeneous evidence can be classified reliably, and that every step is verifiable. We present MODEXRE, a forensic pipeline that extends a previously validated synthetic-data-trained XGBoost classifier with SHAP explainability (arXiv:2607.00763) into a dual-mode architecture: a Laboratory mode, where models are trained and certified on public and synthetic data, and a Formal mode, where a frozen, hash-verified model performs inference on case evidence under a SHA-256 hash-chained chain of custody. Suricata alerts, CEF firewall logs and packet captures are normalized through OCSF. Four design decisions, each triggered by an observed failure, shaped the architecture: a timestamp leak that inflated Kitsune performance (F1-macro 0.984, 0.662 after correction); a feature-coverage gap that made the 78-feature reference model misclassify a real SSH alert; causal temporal flow aggregation, which raised Kitsune multiclass F1-macro from 0.394 to 0.932; and a certification defect, exposed only by a real packet capture, whereby the pipeline had always trained a binary classifier. After correction, the same capture went from 100% of events flagged as malicious to 87% classified as Normal, with the scanning host identified as Reconnaissance. The default four-class certified model reaches F1-macro = 0.9538 on CICIDS2017-derived evidence; the recertified 18-category model reaches 0.6214, reflecting the real multiclass task. Chain-of-custody verification, model integrity hashing and per-prediction SHAP explanations are reported as measured outcomes.
- Abstract（参考訳）: 検証された実験室から法医学的ワークフローに説明可能な侵入検出モデルを配置するには、ベンチマークがテストされないこと、認定されたモデルがケースに適用された正確な成果物であること、不均一な証拠を確実に分類でき、すべてのステップが検証可能であること、を保証する必要がある。
MODEXREは、以前に検証された合成データトレーニングされたXGBoost分類器をSHAP説明可能性(arXiv:2607.00763)で二重モードアーキテクチャに拡張する法医学的パイプラインである。
Suricataアラート、CEFファイアウォールログ、パケットキャプチャはOCSFを通じて正規化される。
4つの設計決定は、それぞれ観測された失敗によって引き起こされたもので、キツネ性能を膨らませたタイムスタンプリーク(修正後のF1-macro 0.984, 0.662)、78機能参照モデルで実際のSSH警告を誤分類した特徴被覆ギャップ、キツネマルチクラスF1-macroを0.394から0.932に引き上げた因果時流集約、実際のパケットキャプチャでのみ露出した認証欠陥、パイプラインが常にバイナリ分類器を訓練していたことなどであった。
修正後は、100%のイベントが悪意のあるものとしてフラグ付けされ、87%がノーマルとして分類され、スキャンホストはリコネッサンスとして特定された。
デフォルトの4クラス認証モデルはCICIDS2017由来の証拠でF1-macro = 0.9538に達する。
解析結果として、連鎖検証、モデル整合性ハッシュ、予測毎のSHAP説明が報告されている。
関連論文リスト
- ARISE: Authentic Reference-Informed Stability Enhancement for Continual Multimodal Forgery Detection [43.80508660928709]
マルチモーダル偽造検出は静的な仮定の下で一般的に研究されている。
本稿では,この問題を,バイナリ実/フェイクインタフェースを固定したアタック・インクリメンタルなマルチモーダル・フォージェリ検出として定式化する。
本稿では,補完的な共同モダリティ,テキスト側,画像側プロトコルを通じて攻撃進化を組織するFable-Benchを紹介する。
論文 参考訳（メタデータ） (2026-10-27T02:12:09Z) - CertMoE: Robustness Certification for Mixture-of-Experts LLMs via Routing-Aware Smoothing [50.77807239365757]
確率的堅牢性は、敵の摂動下でのモデル予測を保証することを目的として、信頼できる機械学習の基盤となる。
本稿では,MoE大言語モデルのための最初のルーティング対応認証フレームワークであるtextscCertMoEについて述べる。
論文 参考訳（メタデータ） (2026-10-21T08:25:15Z) - Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation [38.697895774925136]
崩壊生成は、学習された生成プロセスの本質的でモデルに依存した特性である。
崩壊した世代指紋は、混乱の少ない異なるソースモデルを識別できることを示す。
これらの指紋は、微調整されたデリバティブや、一般的で適応的なモデルやクエリレベルの難読化の下でも検証可能である。
論文 参考訳（メタデータ） (2026-08-12T07:12:38Z) - Theia: Large-Scale Multimodal Captioning and Automated Validation of the Incidents1M Dataset for Data-Free Distillation [43.1212452324751]
この領域の既存のデータセットは完全に記述的テキストを欠いているか、あるいは厳しいテキストイメージのセマンティックなミスアライメントに悩まされている。
本稿では,災害対応のための大規模マルチモーダルデータセットの構築と自動検証を行う新しい手法を提案する。
論文 参考訳（メタデータ） (2026-07-30T14:23:01Z) - Graph Is the Verifier: Agentic Reinforcement Learning for Interprocedural Vulnerability Detection [13.409515289348532]
VulAgentRLは、コードプロパティグラフ(CPG)上に構築された、相互の脆弱性検出のためのフレームワークである。
VulAgentRLは、フロンティアモデルを含む最先端のベースラインを厳密なペアワイズ補正基準で上回り、より少ないツールコールを発行する。
論文 参考訳（メタデータ） (2026-07-29T09:16:54Z) - Forensic-Oriented Intrusion Detection Using Synthetic Network Traffic Data and Explainable Artificial Intelligence [0.0]
本稿では,法科学指向の侵入検知フレームワークを提案する。
合成データ生成、バイナリ分類、説明可能性を統合する。
全ての訓練はSDV+CTGANを介してパラメータ化合成誘導体で実行される。
論文 参考訳（メタデータ） (2026-07-01T10:47:19Z) - Cycle-Consistent Neural Explanation of Formal Verification Certificates [5.61123152362224]
本稿では,検証証明書の忠実な自然言語記述を生成するサイクル一貫性ニューラルアーキテクチャを提案する。
ポインタジェネレータ機構は、証明書から直接状態名をコピーすることで、語彙基底を保証する。
学習したアーキテクチャは、ハイブリッドな推論時ルーティング戦略と組み合わせて、90.0%のサイクル検証された音性を実現する。
論文 参考訳（メタデータ） (2026-06-23T10:51:54Z) - NANOZK: Layerwise Zero-Knowledge Proofs for Verifiable Large Language Model Inference [0.0]
LLM推論を検証可能なゼロ知識証明システムであるメソッドを提案する。
我々のアプローチは、トランスフォーマー推論が自然に独立した層計算に分解されるという事実を生かしている。
EZKLと比較して、EZKLは70倍小さい証明と5.7倍速い証明時間をd=128で達成し、形式的な音質保証を維持している。
論文 参考訳（メタデータ） (2026-03-17T04:14:45Z) - Probing for Knowledge Attribution in Large Language Models [45.47366023067617]
大規模言語モデル(LLM)は、しばしば流動的だが根拠のないクレームや幻覚を生成する。
適切な緩和は、モデルの答えがプロンプトまたは内部の重みに基づいているかどうかを知ることに依存する。
モデル隠れ表現に基づいて訓練された単純な線形分類器であるプローブは、帰納的帰属を確実に予測できることを示す。
論文 参考訳（メタデータ） (2026-02-26T09:21:12Z) - CertDW: Towards Certified Dataset Ownership Verification via Conformal Prediction [48.82467166657901]
本稿では,最初の認証データセット透かし(CertDW)とCertDWベースの認証データセットオーナシップ検証手法を提案する。
共形予測に触発されて,主確率 (PP) と透かし頑健性 (WR) の2つの統計指標を導入する。
我々は、不審モデルのWR値が、透かしのないデータセットでトレーニングされた良性モデルのPP値を大幅に上回る場合に、PPとWRの間に証明可能な低い境界が存在することを証明した。
論文 参考訳（メタデータ） (2025-06-16T07:17:23Z) - Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。
拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。
MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
論文 参考訳（メタデータ） (2024-05-01T12:03:39Z)
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。