論文の概要: Learning to Detect Anomalous Wireless Links in IoT Networks

• arxiv url: http://arxiv.org/abs/2008.05232v2
• Date: Mon, 23 Nov 2020 20:38:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 06:15:07.984351
• Title: Learning to Detect Anomalous Wireless Links in IoT Networks
• Title（参考訳）: IoTネットワークにおける異常な無線リンク検出の学習
• Authors: Gregor Cerar, Halil Yetgin, Bla\v{z} Bertalani\v{c}, Carolina Fortuna
• Abstract要約: リンク層で識別される4種類の無線ネットワーク異常について紹介する。 本研究では、しきい値と機械学習に基づく分類器の性能を調べ、これらの異常を自動的に検出する。 i)選択された教師付きアプローチは0.98以上のF1スコアの異常を検出することができ、一方、教師なしアプローチは平均0.90、ii)OC-SVMは、SuddenDの0.99、SuddenRの0.95、InstaDの0.93でF1スコアの他の教師なしMLアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 1.0017195276758455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: After decades of research, the Internet of Things (IoT) is finally permeating real-life and helps improve the efficiency of infrastructures and processes as well as our health. As a massive number of IoT devices are deployed, they naturally incur great operational costs to ensure intended operations. To effectively handle such intended operations in massive IoT networks, automatic detection of malfunctioning, namely anomaly detection, becomes a critical but challenging task. In this paper, motivated by a real-world experimental IoT deployment, we introduce four types of wireless network anomalies that are identified at the link layer. We study the performance of threshold- and machine learning (ML)-based classifiers to automatically detect these anomalies. We examine the relative performance of three supervised and three unsupervised ML techniques on both non-encoded and encoded (autoencoder) feature representations. Our results demonstrate that; i) selected supervised approaches are able to detect anomalies with F1 scores of above 0.98, while unsupervised ones are also capable of detecting the said anomalies with F1 scores of, on average, 0.90, and ii) OC-SVM outperforms all the other unsupervised ML approaches reaching at F1 scores of 0.99 for SuddenD, 0.95 for SuddenR, 0.93 for InstaD and 0.95 for SlowD.
• Abstract（参考訳）: 何十年もの研究の末、モノのインターネット(IoT)はついに現実の生活に浸透し、インフラやプロセスの効率と健康の改善に役立っている。 大量のIoTデバイスがデプロイされているため、意図した操作を保証するために、自然に大きな運用コストがかかります。 大規模IoTネットワークにおけるこのような意図された操作を効果的に処理するために、異常検出、すなわち異常検出の自動検出は、重要で困難なタスクとなる。 本稿では,実世界の実験的なIoTデプロイメントを動機として,リンク層で識別される4種類の無線ネットワーク異常を紹介する。 しきい値と機械学習(ml)に基づく分類器の性能を調べ、これらの異常を自動的に検出する。 本研究では,非符号化および符号化(オートエンコーダ)特徴表現における3つの教師付きML手法と3つの教師なしML手法の相対的性能について検討する。 私たちの結果は 一 選択された監督的アプローチは、0.98以上のF1スコアを有する異常を検出でき、一方、非監督的アプローチは、平均0.90のF1スコアを有する異常を検出できる。 ii)OC-SVMは、SuddenDの0.99、SuddenRの0.95、InstaDの0.93、SlowDの0.95のF1スコアに達する他の教師なしMLアプローチよりも優れています。

関連論文リスト

• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• CADeSH: Collaborative Anomaly Detection for Smart Homes [17.072108188004396]
  本稿では,2段階の協調的異常検出手法を提案する。 最初はオートエンコーダを使用して、頻繁な(良性)と頻繁な(悪意のある)トラフィックフローを区別する。 クラスタリングは、希少なフローのみを分析し、それを既知の('rare yet beign')または未知の(malicious')として分類する。
  論文  参考訳（メタデータ） (2023-03-02T07:22:26Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• NetSentry: A Deep Learning Approach to Detecting Incipient Large-scale Network Attacks [9.194664029847019]
  ネットワーク侵入検出(NID)における機械学習の原理的利用法を示す。 我々は、Bi-ALSTMをベースとした、おそらく最初のNIDSであるNetSentryを提案する。 XSSやWeb bruteforceなどの攻撃検出率を最大3倍に向上させるとともに、最先端技術よりもF1スコアが33%以上上昇することが実証された。
  論文  参考訳（メタデータ） (2022-02-20T17:41:02Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• RLAD: Time Series Anomaly Detection through Reinforcement Learning and Active Learning [17.089402177923297]
  新しい半監視型時系列異常検出アルゴリズムを紹介します。 深層強化学習とアクティブラーニングを使用して、実世界の時系列データの異常を効率的に学習し、適応する。 パラメータを手動でチューニングする必要はなく、比較するすべての最先端のメソッドを上回ります。
  論文  参考訳（メタデータ） (2021-03-31T15:21:15Z)
• An Experimental Analysis of Attack Classification Using Machine Learning in IoT Networks [3.9236397589917127]
  近年,IoT(Internet of Things,モノのインターネット)デバイスや,そのようなデバイスが生成するデータ量が大幅に増加している。 ネットワーク上の攻撃の数が増加するにつれて、従来の侵入検出システムがこれらの攻撃を効率的に処理することが難しくなります。 本稿では,k-nearest neighbor (KNN), Support vector machine (SVM), decision tree (DT), naive Bayes (NB), random forest (RF), Artificial Neural Network (ANN), logistic regression (LR)などの機械学習(ML)手法について述べる。
  論文  参考訳（メタデータ） (2021-01-10T11:48:37Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• ASFD: Automatic and Scalable Face Detector [129.82350993748258]
  ASFD(Automatic and Scalable Face Detector)を提案する。 ASFDはニューラルアーキテクチャ検索技術の組み合わせと新たな損失設計に基づいている。 ASFD-D0は120FPS以上で動作し、MobilenetはVGA解像度の画像を撮影しています。
  論文  参考訳（メタデータ） (2020-03-25T06:00:47Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。