30.05.2025; Київ, Україна: IV Міжнародна наукова конференція «Інноваційна наука: пошук відповідей на виклики сучасності»
Роботи, що індексуються в Google Scholar

ПОТЕНЦІАЛ ВИКОРИСТАННЯ CONTRASTIVE PRE-TRAINING ІЗ MAML ТА ІНКРЕМЕНТАЛЬНИМ НАВЧАННЯМ ДЛЯ АДАПТАЦІЇ IDS ДО НОВИХ ВИДІВ КІБЕРАТАК

  • Ростислав Лозовський,
  • Оксана Огнєва
DOI: https://doi.org/10.62731/mcnd-30.05.2025.009
PDF

Опубліковано 30.05.2025

Як цитувати

Лозовський, Р., & Огнєва, О. (2025). ПОТЕНЦІАЛ ВИКОРИСТАННЯ CONTRASTIVE PRE-TRAINING ІЗ MAML ТА ІНКРЕМЕНТАЛЬНИМ НАВЧАННЯМ ДЛЯ АДАПТАЦІЇ IDS ДО НОВИХ ВИДІВ КІБЕРАТАК. Матеріали конференцій МЦНД, (30.05.2025; Київ, Україна), 385–387. https://doi.org/10.62731/mcnd-30.05.2025.009

Завантаження

Дані завантаження ще не доступні.

Авторське право (c) 2025 Ростислав Лозовський; Оксана Огнєва (Науковий керівник)

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution-ShareAlike 4.0 International License.

Google Scholar

Анотація

З розвитком складних і масштабних мереж зростає кількість та різноманіття кібератак, зокрема zero-day загроз, які не мають відомих сигнатур. Поточні підходи до виявлення вторгнень (IDS) ґрунтуються на виявлені за підписами або на супервізованій класифікації вже мічених потоків. Проте ці методи слабко працюють при нових атаках або за обмеженої кількості мічених даних. Self-supervised contrastive pre-training дозволяє навчити модель виділяти стійкі представлення мережевих патернів без розмітки [1]. Model-Agnostic Meta-Learning (MAML) дає змогу адаптуватися до нових класів атак за кілька прикладів [2] [3]. Інкрементальне (continual) навчання запобігає катастрофічному забуванню при донавчанні на потоці нових інцидентів [4]. Проте наразі немає рішень, які б поєднували ці три компоненти в єдину систему для мережевих IDS.

PDF

Посилання

  1. 1. Ippokratis Koukoulis, Ilias Syrigos, and Thanasis Korakis. Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems. arXiv:2505.08816. 2025. URL: https://www.arxiv.org/abs/2505.08816
  2. 2. Fatma S. Alrayes, Syed Umar Amin, Nada Hakami. An Adaptive Framework for Intrusion Detection in IoT Security Using MAML (Model-Agnostic Meta-Learning). Sensors (Basel, Switzerland). 25(8). 2487. URL: https://pmc.ncbi.nlm.nih.gov/articles/PMC12031620
  3. 3. Xu C., Zhang F., Yang Z., Zhou Z., Zheng Y. A few-shot network intrusion detection method based on mutual centralized learning. Sci Rep 15, 9848 (2025). URL: https://doi.org/10.1038/s41598-025-93185-0
  4. 4. Francesco Cerasuolo, Giampaolo Bovenzi, Domenico Ciuonzo, Antonio Pescapè. Adaptable, incremental, and explainable network intrusion detection systems for internet of things. Engineering Applications of Artificial Intelligence. Volume 144. 2025. URL: https://www.sciencedirect.com/science/article/abs/pii/S0952197625001435
  5. 5. M. Data and M. Aritsugi. T-DFNN: An Incremental Learning Algorithm for Intrusion Detection Systems. IEEE Access. vol. 9, pp. 154156-154171. 2021. URL: https://ieeexplore.ieee.org/document/9614112