Fugu-MT 論文翻訳(概要): Cost-aware Feature Selection for IoT Device Classification

論文の概要: Cost-aware Feature Selection for IoT Device Classification

arxiv url: http://arxiv.org/abs/2009.01368v3
Date: Wed, 21 Apr 2021 18:48:57 GMT
ステータス: 処理完了
システム内更新日: 2022-10-22 20:03:16.415788
Title: Cost-aware Feature Selection for IoT Device Classification
Title（参考訳）: IoTデバイス分類のためのコスト認識機能選択
Authors: Biswadeep Chakraborty, Dinil Mon Divakaran, Ido Nevat, Gareth W. Peters, Mohan Gurusamy
Abstract要約: 私たちは、機能抽出にはコストがあり、異なる機能に対してコストが異なると論じています。そこで我々は,クロスエントロピー(CE)に基づく最適化手法を用いて,高速かつ効率的な解法を提案する。
参考スコア（独自算出の注目度）: 6.193853963672491
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Classification of IoT devices into different types is of paramount importance, from multiple perspectives, including security and privacy aspects. Recent works have explored machine learning techniques for fingerprinting (or classifying) IoT devices, with promising results. However, existing works have assumed that the features used for building the machine learning models are readily available or can be easily extracted from the network traffic; in other words, they do not consider the costs associated with feature extraction. In this work, we take a more realistic approach, and argue that feature extraction has a cost, and the costs are different for different features. We also take a step forward from the current practice of considering the misclassification loss as a binary value, and make a case for different losses based on the misclassification performance. Thereby, and more importantly, we introduce the notion of risk for IoT device classification. We define and formulate the problem of cost-aware IoT device classification. This being a combinatorial optimization problem, we develop a novel algorithm to solve it in a fast and effective way using the Cross-Entropy (CE) based stochastic optimization technique. Using traffic of real devices, we demonstrate the capability of the CE based algorithm in selecting features with minimal risk of misclassification while keeping the cost for feature extraction within a specified limit.
Abstract（参考訳）: iotデバイスをさまざまなタイプに分類することは、セキュリティやプライバシの面など、さまざまな観点から非常に重要である。最近の研究は、有望な結果とともに、IoTデバイスの指紋(または分類)のための機械学習技術を調査している。しかし、既存の研究では、機械学習モデルを構築するのに使用する機能は容易に利用できるか、あるいはネットワークトラフィックから簡単に抽出できると仮定しており、言い換えれば、特徴抽出にかかるコストは考慮されていない。この作業では、より現実的なアプローチを採用し、機能抽出にはコストがあり、異なる機能に対してコストが異なる、と論じます。また、誤分類損失をバイナリ値として検討する現在の慣行から一歩前進し、誤分類性能に基づいて異なる損失の事例を提示する。これにより、より重要なのは、IoTデバイス分類のリスクの概念を導入します。コスト対応IoTデバイス分類の問題を定義し,定式化する。この組合せ最適化問題として, クロスエントロピー(ce)に基づく確率最適化手法を用いて, 高速かつ効果的に解くための新しいアルゴリズムを開発した。実デバイスのトラフィックを用いて,特定の制限内に特徴抽出のコストを抑えつつ,誤分類のリスクを最小限に抑えた特徴選択におけるCEアルゴリズムの能力を実証する。

関連論文リスト

INTELLECT: Adapting Cyber Threat Detection to Heterogeneous Computing Environments [0.055923945039144884]
本稿では,IDSのための事前学習MLモデルと構成の動的適応のための結合パイプラインに,特徴選択,モデルプルーニング,微調整技術を統合する新しいソリューションであるINTELLECTを紹介する。我々は,知識蒸留技術を微調整中に組み込むことの利点を実証し,MLモデルが歴史的知識を維持しつつ,局所的なネットワークパターンに一貫して適応できることを示す。
論文参考訳（メタデータ） (2024-07-17T22:34:29Z)
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)
Machine Learning-Based Intrusion Detection: Feature Selection versus Feature Extraction [3.5889226512319903]
モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。機械学習に基づくIoTネットワークの侵入検出手法が開発されている。本稿では,この2つの特徴量検出手法の総合的な比較を行った。
論文参考訳（メタデータ） (2023-07-04T08:48:01Z)
Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文参考訳（メタデータ） (2023-02-22T15:52:37Z)
Task-Oriented Over-the-Air Computation for Multi-Device Edge AI [57.50247872182593]
エッジAIをサポートするための6Gネットワークは、AIタスクの効率的かつ効率的な実行に焦点を当てたタスク指向のテクニックを備えている。本稿では,マルチデバイススプリット推論システムにおけるタスク指向オーバー・ザ・エア計算(AirComp)方式を提案する。
論文参考訳（メタデータ） (2022-11-02T16:35:14Z)
Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文参考訳（メタデータ） (2022-09-01T03:27:33Z)
Task-Oriented Sensing, Computation, and Communication Integration for Multi-Device Edge AI [108.08079323459822]
本稿では,AIモデルの分割推論と統合センシング通信(ISAC)を併用した,新しいマルチインテリジェントエッジ人工レイテンシ(AI)システムについて検討する。推定精度は近似的だが抽出可能な計量、すなわち判別利得を用いて測定する。
論文参考訳（メタデータ） (2022-07-03T06:57:07Z)
Cost-Effective Federated Learning in Mobile Edge Networks [37.16466118235272]
フェデレートラーニング(FL)は、多くのモバイルデバイスが生データを共有せずに協調的にモデルを学習できる分散ラーニングパラダイムである。本研究は,モバイルエッジネットワークにおける適応FLの設計手法を解析し,本質的な制御変数を最適に選択し,総コストを最小化する。我々は,収束関連未知パラメータを学習するために,低コストなサンプリングベースアルゴリズムを開発した。
論文参考訳（メタデータ） (2021-09-12T03:02:24Z)
Orthogonal Projection Loss [59.61277381836491]
直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
論文参考訳（メタデータ） (2021-03-25T17:58:00Z)
Cost-Effective Federated Learning Design [37.16466118235272]
フェデレーション学習(federated learning, fl)は、多数のデバイスが生のデータを共有することなく、協調的にモデルを学習できる分散学習パラダイムである。その効率性と有効性にもかかわらず、反復的なオンデバイス学習プロセスは、学習時間とエネルギー消費の面でかなりのコストを伴います。本稿では,本質的制御変数を最適に選択する適応型flの設計法を分析し,総コストを最小化し,収束性を確保した。
論文参考訳（メタデータ） (2020-12-15T14:45:11Z)
Implications on Feature Detection when using the Benefit-Cost Ratio [0.0]
一般的なトレードオフ選択は、両者の比率であるBCR(benefit-cost ratio)である。大きなコスト差と小さな効果の大きさの状況では、BCRは関連する特徴を欠き、安価なノイズ特徴を好んだ。単純な利益-コスト比は、コストを組み込むための簡単なソリューションを提供するが、リスクを認識しておくことが重要です。
論文参考訳（メタデータ） (2020-08-12T08:25:42Z)

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。