論文の概要: IoT Behavioral Monitoring via Network Traffic Analysis
- arxiv url: http://arxiv.org/abs/2001.10632v1
- Date: Tue, 28 Jan 2020 23:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 03:06:30.300233
- Title: IoT Behavioral Monitoring via Network Traffic Analysis
- Title(参考訳): ネットワークトラフィック分析によるIoT行動監視
- Authors: Arunan Sivanathan
- Abstract要約: この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。
我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。
99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
- 参考スコア(独自算出の注目度): 0.45687771576879593
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart homes, enterprises, and cities are increasingly being equipped with a
plethora of Internet of Things (IoT), ranging from smart-lights to security
cameras. While IoT networks have the potential to benefit our lives, they
create privacy and security challenges not seen with traditional IT networks.
Due to the lack of visibility, operators of such smart environments are not
often aware of their IoT assets, let alone whether each IoT device is
functioning properly safe from cyber-attacks. This thesis is the culmination of
our efforts to develop techniques to profile the network behavioral pattern of
IoTs, automate IoT classification, deduce their operating context, and detect
anomalous behavior indicative of cyber-attacks.
We begin this thesis by surveying IoT ecosystem, while reviewing current
approaches to vulnerability assessments, intrusion detection, and behavioral
monitoring. For our first contribution, we collect traffic traces and
characterize the network behavior of IoT devices via attributes from traffic
patterns. We develop a robust machine learning-based inference engine trained
with these attributes and demonstrate real-time classification of 28 IoT
devices with over 99% accuracy. Our second contribution enhances the
classification by reducing the cost of attribute extraction while also
identifying IoT device states. Prototype implementation and evaluation
demonstrate the ability of our supervised machine learning method to detect
behavioral changes for five IoT devices. Our third and final contribution
develops a modularized unsupervised inference engine that dynamically
accommodates the addition of new IoT devices and/or updates to existing ones,
without requiring system-wide retraining of the model. We demonstrate via
experiments that our model can automatically detect attacks and firmware
changes in ten IoT devices with over 94% accuracy.
- Abstract(参考訳): スマートホームや企業、都市には、スマートライトからセキュリティカメラまで、さまざまなiot(internet of things, モノのインターネット)が備わっている。
iotネットワークは私たちの生活に利益をもたらす可能性がありますが、従来のitネットワークでは見られないプライバシとセキュリティの課題を生み出します。
可視性が欠如しているため、このようなスマート環境のオペレータは、各IoTデバイスがサイバー攻撃から適切に機能しているかどうかを言うまでもなく、自身のIoT資産をよく知らない。
この論文は、IoTのネットワーク行動パターンをプロファイリングし、IoT分類を自動化し、運用コンテキストを推定し、サイバー攻撃を示唆する異常な振る舞いを検出する技術を開発するための我々の取り組みの成果である。
この論文はiotエコシステムを調査し、脆弱性評価、侵入検出、行動監視に対する現在のアプローチをレビューしながら開始する。
最初のコントリビューションでは、トラフィックのトレースを収集し、トラフィックパターンの属性を通じてIoTデバイスのネットワーク動作を特徴付ける。
これらの属性をトレーニングした堅牢な機械学習ベースの推論エンジンを開発し、99%以上の精度で28のIoTデバイスをリアルタイムに分類した。
第2の貢献は,iotデバイスの状態を識別しながら属性抽出のコストを削減することで,分類を強化する。
プロトタイプの実装と評価は,5つのIoTデバイスの動作変化を検出するための教師付き機械学習手法の能力を示す。
第3のコントリビュートでは,システム全体の再トレーニングを必要とせずに,新たなiotデバイスの追加や既存デバイスへの更新を動的に適応する,モジュール化された教師なし推論エンジンを開発しました。
実験により、94%以上の精度で10台のiotデバイスの攻撃やファームウェアの変更を自動的に検出できることを実証した。
関連論文リスト
- MultiIoT: Towards Large-scale Multisensory Learning for the Internet of
Things [77.27980044639136]
IoT(Internet of Things)エコシステムは、マシンラーニングのための現実世界のモダリティの豊富なソースを提供する。
本稿では,12のモダリティと8タスクから115万以上のサンプルを対象とする,これまでで最も拡張性の高いIoTベンチマークであるMultiIoTを提案する。
論文 参考訳(メタデータ) (2023-11-10T18:13:08Z) - From Generative AI to Generative Internet of Things: Fundamentals,
Framework, and Outlooks [82.964958051535]
生成人工知能(GAI)は、現実的なデータを生成し、高度な意思決定を促進する能力を持っている。
GAIを現代のモノのインターネット(IoT)に統合することによって、ジェネレーティブ・インターネット・オブ・モノ(GIoT)が登場し、社会の様々な側面に革命をもたらす大きな可能性を秘めている。
論文 参考訳(メタデータ) (2023-10-27T02:58:11Z) - Towards Artificial General Intelligence (AGI) in the Internet of Things
(IoT): Opportunities and Challenges [55.82853124625841]
人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。
本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。
AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
論文 参考訳(メタデータ) (2023-09-14T05:43:36Z) - An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT
Devices [0.7219077740523682]
この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
論文 参考訳(メタデータ) (2023-06-23T11:26:00Z) - Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic
Monitoring of MUD Activity [1.294952045574009]
異常に基づく検出手法は、新たな攻撃を見つける上で有望である。
偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。
本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
論文 参考訳(メタデータ) (2023-04-11T05:17:51Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳(メタデータ) (2022-12-21T03:37:38Z) - Unsupervised Ensemble Based Deep Learning Approach for Attack Detection
in IoT Network [0.0]
モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。
IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。
本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
論文 参考訳(メタデータ) (2022-07-16T11:12:32Z) - Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement
Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。
部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。
深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文 参考訳(メタデータ) (2020-12-31T11:19:51Z) - Towards Learning-automation IoT Attack Detection through Reinforcement
Learning [14.363292907140364]
IoT(Internet of Things)ネットワークにはユニークな特徴があるため、攻撃検出がより困難になる。
従来のハイレート攻撃に加えて、IoT攻撃者が正当なトラフィックを難読化するために、低レート攻撃も広く使用されている。
本稿では,攻撃パターンの変換を自動的に学習し,認識できる強化学習に基づく攻撃検出モデルを提案する。
論文 参考訳(メタデータ) (2020-06-29T06:12:45Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z) - Blockchain-based Smart-IoT Trust Zone Measurement Architecture [1.5749416770494706]
IoT(Internet of Things)は大きな注目を集め、私たちの環境の中心的な側面になっています。
本稿では,外部ネットワークへの信頼感を提供するIoTセットアップにおける行動モニタを提案する。
さらに、ブロックチェーン上のアプリケーションやデータに対してセキュアな実行環境を提供するために、Trusted Execution Technology(Intel SGX)も組み込んでいます。
論文 参考訳(メタデータ) (2020-01-08T03:41:27Z)
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。