論文の概要: Adversarial Machine Learning based Partial-model Attack in IoT

• arxiv url: http://arxiv.org/abs/2006.14146v2
• Date: Fri, 10 Jul 2020 15:12:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-17 04:33:30.390836
• Title: Adversarial Machine Learning based Partial-model Attack in IoT
• Title（参考訳）: IoTにおける逆機械学習に基づく部分モデルアタック
• Authors: Zhengping Luo, Shangqing Zhao, Zhuo Lu, Yalin E. Sagduyu, Jie Xu
• Abstract要約: 我々は,IoTのデータ融合/集約プロセスにおいて,敵対的機械学習に基づく部分モデル攻撃を提案する。 この結果から,IoTシステムの機械学習エンジンは,敵が少数のIoTデバイスを操作する場合であっても,攻撃に対して極めて脆弱であることがわかった。
• 参考スコア（独自算出の注目度）: 21.674533290169464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Internet of Things (IoT) has emerged as the next logical stage of the Internet, it has become imperative to understand the vulnerabilities of the IoT systems when supporting diverse applications. Because machine learning has been applied in many IoT systems, the security implications of machine learning need to be studied following an adversarial machine learning approach. In this paper, we propose an adversarial machine learning based partial-model attack in the data fusion/aggregation process of IoT by only controlling a small part of the sensing devices. Our numerical results demonstrate the feasibility of this attack to disrupt the decision making in data fusion with limited control of IoT devices, e.g., the attack success rate reaches 83\% when the adversary tampers with only 8 out of 20 IoT devices. These results show that the machine learning engine of IoT system is highly vulnerable to attacks even when the adversary manipulates a small portion of IoT devices, and the outcome of these attacks severely disrupts IoT system operations.
• Abstract（参考訳）: IoT(Internet of Things)がインターネットの次の論理的な段階として出現するにつれ、さまざまなアプリケーションをサポートする上で、IoTシステムの脆弱性を理解することが不可欠になっています。 多くのIoTシステムに機械学習が適用されているため、機械学習のセキュリティへの影響は、敵対的な機械学習アプローチに従って研究する必要がある。 本稿では,iotのデータ融合/集約プロセスにおいて,センシングデバイスの一部のみを制御して,機械学習に基づく部分モデル攻撃を提案する。 本研究では,iotデバイスの制御が限定されたデータフュージョンにおける意思決定を妨害する攻撃の可能性を示す。例えば,iotデバイス20台中8台に敵のタンパがある場合,攻撃成功率は83.2%に達する。 これらの結果から、敵が一部のIoTデバイスを操作しても、IoTシステムの機械学習エンジンは攻撃に対して非常に脆弱であり、これらの攻撃の結果がIoTシステムの操作を著しく破壊することが明らかとなった。

関連論文リスト

• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Unraveling Attacks in Machine Learning-based IoT Ecosystems: A Survey and the Open Libraries Behind Them [9.55194238764852]
  IoT(Internet of Things)は前例のない接続性の時代を迎え、2025年末までには800億のスマートデバイスが稼働すると予想されている。 機械学習(ML)は、IoT生成データの解析だけでなく、IoTエコシステム内のさまざまなアプリケーションにも重要な技術として機能する。 本稿では,MLのIoTへの統合によるセキュリティ上の脅威を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-22T06:52:35Z)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一された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)
• 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)
• IoTGAN: GAN Powered Camouflage Against Machine Learning Based IoT Device Identification [15.672513473104031]
  我々はIoTデバイスのトラフィックを操作するためにIoTGANという新しい攻撃戦略を提案する。 ニューラルネットワークベースの代用モデルを使用して、ターゲットモデルをブラックボックス設定に適合させる。 操作モデルは、代替モデルを回避するために、IoTデバイスのトラフィックに敵の摂動を追加するように訓練される。
  論文  参考訳（メタデータ） (2022-01-10T10:54:11Z)
• Machine Learning for Massive Industrial Internet of Things [69.52379407906017]
  モノのインターネット(IIoT)は、モノのインターネット技術を産業環境に統合することで、将来の製造施設に革命をもたらします。 大規模なIIoTデバイスのデプロイでは、無線ネットワークがさまざまなQoS(Quality-of-Service)要件でユビキタス接続をサポートすることは困難である。 まず、一般的な非クリティカルかつクリティカルなIIoTユースケースの要件を要約します。 次に、大規模なIIoTシナリオと対応する機械学習ソリューションのユニークな特性を、その制限と潜在的な研究方向で識別します。
  論文  参考訳（メタデータ） (2021-03-10T20:10:53Z)
• Reinforcement Learning for IoT Security: A Comprehensive Survey [4.0059435854780965]
  セキュリティは、多くの攻撃ベクトル、セキュリティ欠陥、脆弱性を持つIoTシステムにおいて、長期にわたる課題です。 本稿では,異なる種類のIoTシステムに対するサイバー攻撃に関する包括的調査を行う。 次に、さまざまなIoTシステムにおけるさまざまなタイプの攻撃に対抗する強化学習と深層強化学習ベースのセキュリティソリューションを提示します。
  論文  参考訳（メタデータ） (2021-02-14T21:09:49Z)
• 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)
• IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
  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。
  論文  参考訳（メタデータ） (2020-01-28T23:13:12Z)

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。