論文の概要: Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2012.11325v1
• Date: Wed, 16 Dec 2020 16:39:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 02:39:59.444209
• Title: Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
• Title（参考訳）: IoT環境におけるボットネット攻撃の検出: 最適化された機械学習アプローチ
• Authors: MohammadNoor Injadat and Abdallah Moubayed and Abdallah Shami
• Abstract要約: 機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。 本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。 実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
• 参考スコア（独自算出の注目度）: 8.641714871787595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increased reliance on the Internet and the corresponding surge in connectivity demand has led to a significant growth in Internet-of-Things (IoT) devices. The continued deployment of IoT devices has in turn led to an increase in network attacks due to the larger number of potential attack surfaces as illustrated by the recent reports that IoT malware attacks increased by 215.7% from 10.3 million in 2017 to 32.7 million in 2018. This illustrates the increased vulnerability and susceptibility of IoT devices and networks. Therefore, there is a need for proper effective and efficient attack detection and mitigation techniques in such environments. Machine learning (ML) has emerged as one potential solution due to the abundance of data generated and available for IoT devices and networks. Hence, they have significant potential to be adopted for intrusion detection for IoT environments. To that end, this paper proposes an optimized ML-based framework consisting of a combination of Bayesian optimization Gaussian Process (BO-GP) algorithm and decision tree (DT) classification model to detect attacks on IoT devices in an effective and efficient manner. The performance of the proposed framework is evaluated using the Bot-IoT-2018 dataset. Experimental results show that the proposed optimized framework has a high detection accuracy, precision, recall, and F-score, highlighting its effectiveness and robustness for the detection of botnet attacks in IoT environments.
• Abstract（参考訳）: インターネットへの依存の高まりとそれに伴う接続需要の増加により、IoT(Internet-of-Things)デバイスは大幅に成長した。 最近のレポートによると、IoTデバイスの継続的デプロイは、ネットワーク攻撃の増加につながった。最近の報告によると、IoTマルウェア攻撃は2017年の1030万から2018年の3270万へと215.7%増加した。 これはIoTデバイスとネットワークの脆弱性と感受性の増加を示している。 そのため,このような環境下では,適切な効果的な攻撃検出・緩和技術が必要である。 マシンラーニング(ML)は、IoTデバイスやネットワークで生成された大量のデータによって、潜在的なソリューションのひとつとして浮上している。 したがって、IoT環境の侵入検知に採用される可能性がある。 そこで本研究では,ベイズ最適化ガウシアンプロセス(BO-GP)アルゴリズムと決定木分類(DT)モデルを組み合わせたMLベースのフレームワークを提案し,IoTデバイスに対する攻撃を効果的かつ効率的に検出する。 提案フレームワークの性能はBot-IoT-2018データセットを用いて評価する。 実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有し,IoT環境におけるボットネット攻撃の検出の有効性と堅牢性を強調した。

関連論文リスト

• Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
  日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。 本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
  論文  参考訳（メタデータ） (2024-04-29T21:26:18Z)
• 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)
• Optimized Ensemble Model Towards Secured Industrial IoT Devices [0.1813006808606333]
  本稿では,IIoT環境における侵入・攻撃検出性能を向上させるために,ベイズ最適化・ガウス過程(BO-GP)とアンサンブル木に基づく学習モデルを組み合わせたフレームワークを提案する。 提案するフレームワークのパフォーマンスは、ニューサウスウェールズ大学のCyber Range and IoT labsが収集したWindows 10データセットを用いて評価される。
  論文  参考訳（メタデータ） (2024-01-10T19:06:39Z)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)
• 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)
• Intrusion Detection using Network Traffic Profiling and Machine Learning for IoT [2.309914459672557]
  単一の妥協されたデバイスがネットワーク全体に影響を与え、セキュリティと物理的に大きなダメージを与える可能性がある。 本稿では、ネットワークプロファイリングと機械学習を用いて、サイバー攻撃に対してIoTを保護する可能性について検討する。
  論文  参考訳（メタデータ） (2021-09-06T15:30:10Z)
• RIS-assisted UAV Communications for IoT with Wireless Power Transfer Using Deep Reinforcement Learning [75.677197535939]
  無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。 第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。 マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-05T23:55:44Z)
• 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)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Enhancing network forensics with particle swarm and deep learning: The particle deep framework [4.797216015572358]
  自動化と生産性への影響により、IoTスマートなものの人気が高まっている。 IoTデバイスは、確立された新しいIoT固有の攻撃ベクタの両方に脆弱性があることが証明されている。 本稿では,Particle Deep Frameworkを利用したIoTネットワークのための新しいネットワーク法医学フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-05-02T06:39:33Z)
• 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。