Enhancing Network Intrusion Detection: An AutoML Pipeline with Efficient Digital Twin Synchronization
Notice bibliographique
Résumé
In the era of 5G and Beyond (5G+) networks, characterized by increased complexity and vulnerability to cyberthreats, the detection of cyberattacks within network traffic becomes more challenging. Machine Learning (ML) offers a promising solution for detecting cyberthreats. However, the constantly ever-evolving technology landscape introduces rapidly evolving attacks, requiring continuous ML model updates. Accordingly, this paper leverages the power of Automated ML (AutoML) and Digital Twin (DT) technologies to deploy an Intrusion Detection System (IDS) in resource-constrained environments, which remains effective over time. An AutoML pipeline is proposed in this paper for multi-class network attack detection, consisting of three offline and automated phases-data preprocessing, feature engineering, and model learning-and an online phase for model monitoring and updates. Additionally, a DT has been introduced to continually update and evolve the ML model in response to the dynamic nature of new attacks, emphasizing low overhead and efficient synchronization. Specifically, two data generation approaches within the DT are explored: uniform sampling based on statistical properties and generative models (such as Variational AutoEncoders (VAEs) and Generative Adversarial Networks (GANs)) using raw data. The experimental results demonstrate that uniform sampling achieves the fastest recovery, lowest overhead, and highest privacy in enhancing the multi-layer perceptron, the best-performing ML model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».