SECURITYセキュリティ
堅牢なネットワーク侵入検知のための強化型マルチモデルアンサンブル学習アーキテクチャ
An enhanced multi-model ensemble learning architecture for robust network intrusion detection
FIFrontiers in Artificial Intelligence · CC BY 4.0
AIが原文を翻訳・要約しています
本研究では、ネットワーク侵入検知システム(NIDS)における高度なサイバー攻撃のリアルタイム特定という課題に対し、5つの異なる学習モデル(CNN、Dense Neural Networks、Transformers、XGBoost、Random Forests)を組み合わせた深層メタ学習システム「EME-NIDS」を提案する。このシステムは、ベース学習器の確率的出力を220次元のメタ特徴空間に集約し、約289kの学習可能パラメータを持つ5層の深層メタ学習器で処理する。703,168インスタンスの大規模データセット(43種の攻撃と1種の正常トラフィック)を用いた評価では、検出精度95.65%、マクロROC-AUCスコア99.76%を達成し、単体モデルを上回った。また、平均推論遅延8.4msでリアルタイム検知に適しており、統計的有意性分析(McNemar検定、p < 0.001)とアブレーションスタディにより、堅牢性、スケーラビリティ、実用展開能力が確認された。
KEY POINTS要点記事から抽出した重要情報
- EME-NIDSは5つの学習モデル(CNN、DNN、Transformer、XGBoost、Random Forests)を統合する深層メタ学習で、703,168インスタンスの大規模データセット(43攻撃+1正常)に対して検出精度95.65%、マクロROC-AUC 99.76%を達成した
- 平均推論遅延8.4msでリアルタイム侵入検知に適した性能を実証し、統計的有意性(McNemar検定、p<0.001)とアブレーションスタディで堅牢性とスケーラビリティを確認した
CONTEXT文脈編集部による背景整理
ネットワーク侵入検知(NIDS)分野はAI駆動のサイバーセキュリティ市場の中核であり、本稿のEME-NIDSは複数モデルを統合したメタ学習方式で高精度(検出率95.65%、ROC-AUC 99.76%)とリアルタイム性能(推論遅延8.4ms)を両立。セキュリティAIソリューションの性能ベンチマーク向上と展開可能性を示す点で、同分野への投資判断の参考となる。
原文を読むAnalyzed at 2026年8月19日 15:00