論文の概要: The Case for Retraining of ML Models for IoT Device Identification at the Edge

• arxiv url: http://arxiv.org/abs/2011.08605v1
• Date: Tue, 17 Nov 2020 13:01:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 17:50:37.681306
• Title: The Case for Retraining of ML Models for IoT Device Identification at the Edge
• Title（参考訳）: エッジにおけるIoTデバイス識別のためのMLモデルのリトレーニング事例
• Authors: Roman Kolcun (1), Diana Andreea Popescu (2), Vadim Safronov (2), Poonam Yadav (3), Anna Maria Mandalari (1), Yiming Xie (1), Richard Mortier (2) and Hamed Haddadi (1) ((1) Imperial College London, (2) University of Cambridge, (3) University of York)
• Abstract要約: ネットワークのエッジで利用可能なリソースを用いて、ネットワークの振る舞いに基づいてIoTデバイスを識別する方法を示す。 エッジにおいて、デバイス識別と分類をそれぞれ80%以上と90%以上精度で達成することができる。
• 参考スコア（独自算出の注目度）: 0.026215338446228163
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet-of-Things (IoT) devices are known to be the source of many security problems, and as such they would greatly benefit from automated management. This requires robustly identifying devices so that appropriate network security policies can be applied. We address this challenge by exploring how to accurately identify IoT devices based on their network behavior, using resources available at the edge of the network. In this paper, we compare the accuracy of five different machine learning models (tree-based and neural network-based) for identifying IoT devices by using packet trace data from a large IoT test-bed, showing that all models need to be updated over time to avoid significant degradation in accuracy. In order to effectively update the models, we find that it is necessary to use data gathered from the deployment environment, e.g., the household. We therefore evaluate our approach using hardware resources and data sources representative of those that would be available at the edge of the network, such as in an IoT deployment. We show that updating neural network-based models at the edge is feasible, as they require low computational and memory resources and their structure is amenable to being updated. Our results show that it is possible to achieve device identification and categorization with over 80% and 90% accuracy respectively at the edge.
• Abstract（参考訳）: Internet-of-Things(IoT)デバイスは多くのセキュリティ問題の原因として知られており、自動化された管理の恩恵を受けるだろう。 これは、適切なネットワークセキュリティポリシーを適用するために、ロバストなデバイス識別を必要とする。 ネットワークのエッジで利用可能なリソースを使用して、ネットワークの振る舞いに基づいてIoTデバイスを正確に識別する方法を検討することで、この問題に対処する。 本稿では、大規模なIoTテストベッドからのパケットトレースデータを用いて、IoTデバイスを特定するための5種類の機械学習モデル(ツリーベース、ニューラルネットワークベース)の精度を比較し、精度の大幅な劣化を避けるために、時間とともにすべてのモデルを更新する必要があることを示す。 モデルを効果的に更新するには、デプロイメント環境から収集したデータ(例えば、世帯)を使用する必要があることが分かりました。 そのため、IoTデプロイメントなど、ネットワークの端で利用可能なものを代表するハードウェアリソースとデータソースを使用して、私たちのアプローチを評価します。 エッジでのニューラルネットワークベースのモデルの更新は,低計算量とメモリリソースを必要とするため実現可能であり,その構造は更新可能であることを示す。 以上の結果から,エッジにおけるデバイス識別と分類を,それぞれ80%以上の精度と90%以上の精度で達成できることが示唆された。

関連論文リスト

• Discretization-based ensemble model for robust learning in IoT [8.33619265970446]
  本稿では,機械学習モデルのセキュリティ向上を目的とした,離散化に基づくアンサンブルスタック手法を提案する。 我々は、ホワイトボックスやブラックボックス攻撃に対して、さまざまなMLベースのIoTデバイス識別モデルの性能を評価する。
  論文  参考訳（メタデータ） (2023-07-18T03:48:27Z)
• Harris Hawks Feature Selection in Distributed Machine Learning for Secure IoT Environments [8.690178186919635]
  IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。 ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。 本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
  論文  参考訳（メタデータ） (2023-02-20T09:38:12Z)
• 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)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Revisiting IoT Device Identification [4.451756374933898]
  IoT(Internet-of-Things)デバイスは多くのセキュリティ問題の原因として知られている。 ネットワークの振る舞いに基づいて,IoTデバイスを正確に識別する方法を検討する。
  論文  参考訳（メタデータ） (2021-07-16T11:01:45Z)
• ESAI: Efficient Split Artificial Intelligence via Early Exiting Using Neural Architecture Search [6.316693022958222]
  ディープニューラルネットワークは、多くのコンピュータビジョン関連タスクにおいて、従来の機械学習アルゴリズムよりも優れています。 大部分のデバイスは、優れたディープラーニングモデルがサーバー上のデータを解析する責任を負う、クラウドコンピューティングの方法論を活用しています。 本稿では、クラウドとオンデバイスモデルの両方を活用可能な、IoTデバイスにデプロイするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-21T04:47:53Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• 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)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• 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。