論文の概要: Semi-supervised Variational Temporal Convolutional Network for IoT Communication Multi-anomaly Detection

• arxiv url: http://arxiv.org/abs/2104.01813v1
• Date: Mon, 5 Apr 2021 08:51:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-06 14:27:38.369953
• Title: Semi-supervised Variational Temporal Convolutional Network for IoT Communication Multi-anomaly Detection
• Title（参考訳）: IoT通信マルチアノマリー検出のための半教師付き変分時畳み込みネットワーク
• Authors: Yan Xu, Yongliang Cheng
• Abstract要約: モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。 これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。 本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
• 参考スコア（独自算出の注目度）: 3.3659034873495632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The consumer Internet of Things (IoT) have developed in recent years. Mass IoT devices are constructed to build a huge communications network. But these devices are insecure in reality, it means that the communications network are exposed by the attacker. Moreover, the IoT communication network also faces with variety of sudden errors. Therefore, it easily leads to that is vulnerable with the threat of attacker and system failure. The severe situation of IoT communication network motivates the development of new techniques to automatically detect multi-anomaly. In this paper, we propose SS-VTCN, a semi-supervised network for IoT multiple anomaly detection that works well effectively for IoT communication network. SS-VTCN is designed to capture the normal patterns of the IoT traffic data based on the distribution whether it is labeled or not by learning their representations with key techniques such as Variational Autoencoders and Temporal Convolutional Network. This network can use the encode data to predict preliminary result, and reconstruct input data to determine anomalies by the representations. Extensive evaluation experiments based on a benchmark dataset and a real consumer smart home dataset demonstrate that SS-VTCN is more suitable than supervised and unsupervised method with better performance when compared other state-of-art semi-supervised method.
• Abstract（参考訳）: 近年,iot(consumer internet of things)が開発されている。 マスIoTデバイスは、巨大な通信ネットワークを構築するために構築されています。 しかし、これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。 さらに、IoT通信ネットワークは、さまざまな突然のエラーに直面している。 したがって、攻撃者やシステム障害の脅威に対して、その脆弱性は容易に生じます。 iot通信ネットワークの厳しい状況は、マルチ異常を自動的に検出する新しい技術の開発を動機付ける。 本稿では,IoT通信ネットワークにおいて有効に動作する,IoT多重異常検出のための半教師付きネットワークであるSS-VTCNを提案する。 SS-VTCNは、変分オートエンコーダやテンポラル畳み込みネットワークといった重要な技術を用いて、その表現を学習することで、ラベル付けされているかどうかの分布に基づいて、IoTトラフィックデータの通常のパターンをキャプチャするように設計されている。 このネットワークは、エンコードデータを使用して予備結果を予測し、入力データを再構成して、表現によって異常を判定することができる。 ベンチマークデータセットと実際の消費者向けスマートホームデータセットに基づく広範囲な評価実験により、SS-VTCNは教師なしおよび教師なしの手法よりも適しており、他の最先端の半教師付き手法と比較してパフォーマンスが良いことが示された。

関連論文リスト

• 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)
• Constrained Twin Variational Auto-Encoder for Intrusion Detection in IoT Systems [30.16714420093091]
  侵入検知システム(IDS)は、悪意のある攻撃から何十億ものIoTデバイスを保護する上で重要な役割を果たす。 本稿では,CTVAE(Constrained Twin Variational Auto-Encoder)と呼ばれる新しいディープニューラルネットワーク/アーキテクチャを提案する。 CTVAEは、最先端の機械学習および表現学習方法と比較して、精度と検出攻撃におけるFscoreの約1%を向上することができる。
  論文  参考訳（メタデータ） (2023-12-05T04:42:04Z)
• Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic Monitoring of MUD Activity [1.294952045574009]
  異常に基づく検出手法は、新たな攻撃を見つける上で有望である。 偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。 本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
  論文  参考訳（メタデータ） (2023-04-11T05:17:51Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Anomalous Communications Detection in IoT Networks Using Sparse Autoencoders [0.0]
  スパースオートエンコーダを用いて,IoTネットワークにおける異常なネットワーク通信を検出する手法を提案する。 提案手法により、悪意のある通信を正当な通信と区別することができる。 Nの値に依存すると、開発モデルは86.9%から91.2%の攻撃検出率と0.1%から0.5%の偽陽性率を達成する。
  論文  参考訳（メタデータ） (2019-12-26T10:47:35Z)

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。