論文の概要: Class-Incremental Learning for Wireless Device Identification in IoT
- arxiv url: http://arxiv.org/abs/2105.06381v1
- Date: Sat, 8 May 2021 09:11:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 11:49:30.320499
- Title: Class-Incremental Learning for Wireless Device Identification in IoT
- Title（参考訳）: IoTにおける無線デバイス識別のためのクラスインクリメンタル学習
- Authors: Yongxin Liu, Jian Wang, Jianqiang Li, Shuteng Niu, Houbing Song
- Abstract要約: ディープラーニング(DL)はIoT(Internet of Things)で広く利用されています。
IoTにおけるDLの典型的な応用の1つは、無線信号、すなわち非暗号デバイス識別(NDI)からのデバイス識別である。
さまざまなILアルゴリズムが提案されており、その多くは履歴データの量を増やすために専用のスペースを必要とするため、IoTやモバイルアプリケーションには適していません。
本研究では,デバイス指紋を異なる学習段階に自動的に分離し,潜在的な競合を回避するための,履歴データを使わずに新たなチャネル分離可能インクリメンタルラーニング(CSIL)方式を提案する。
- 参考スコア（独自算出の注目度）: 16.3730669259576
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep Learning (DL) has been utilized pervasively in the Internet of Things
(IoT). One typical application of DL in IoT is device identification from
wireless signals, namely Non-cryptographic Device Identification (NDI).
However, learning components in NDI systems have to evolve to adapt to
operational variations, such a paradigm is termed as Incremental Learning (IL).
Various IL algorithms have been proposed and many of them require dedicated
space to store the increasing amount of historical data, and therefore, they
are not suitable for IoT or mobile applications. However, conventional IL
schemes can not provide satisfying performance when historical data are not
available. In this paper, we address the IL problem in NDI from a new
perspective, firstly, we provide a new metric to measure the degree of
topological maturity of DNN models from the degree of conflict of
class-specific fingerprints. We discover that an important cause for
performance degradation in IL enabled NDI is owing to the conflict of devices'
fingerprints. Second, we also show that the conventional IL schemes can lead to
low topological maturity of DNN models in NDI systems. Thirdly, we propose a
new Channel Separation Enabled Incremental Learning (CSIL) scheme without using
historical data, in which our strategy can automatically separate devices'
fingerprints in different learning stages and avoid potential conflict.
Finally, We evaluated the effectiveness of the proposed framework using real
data from ADS-B (Automatic Dependent Surveillance-Broadcast), an application of
IoT in aviation. The proposed framework has the potential to be applied to
accurate identification of IoT devices in a variety of IoT applications and
services. Data and code available at IEEE Dataport (DOI: 10.21227/1bxc-ke87)
and \url{https://github.com/pcwhy/CSIL}}
- Abstract（参考訳）: ディープラーニング(DL)はIoT(Internet of Things)で広く利用されている。
IoTにおけるDLの典型的な応用の1つは、無線信号、すなわち非暗号化デバイス識別(NDI)からのデバイス識別である。
しかし、NDIシステムの学習コンポーネントは、運用のバリエーションに適応するために進化し、このようなパラダイムをインクリメンタルラーニング(IL)と呼ぶ。
さまざまなILアルゴリズムが提案されており、その多くは履歴データの蓄積に専用のスペースを必要とするため、IoTやモバイルアプリケーションには適さない。
しかし、従来のIL方式では、履歴データが入手できない場合、満足な性能が得られない。
本稿では,NDIにおけるIL問題に対する新しい視点から,DNNモデルのトポロジカル成熟度をクラス固有指紋の衝突度から測定する新しい指標を提案する。
ILにより実現されたNDIの性能劣化の重要な原因は,デバイスの指紋の衝突によるものである。
第2に,従来の IL スキームは,NDI システムにおける DNN モデルの位相的成熟度が低いことを示す。
第3に,過去のデータを用いずに,新たなチャネル分離可能なインクリメンタルラーニング(csil)方式を提案する。
最後に,航空におけるIoTの応用であるADS-B(Automatic Dependent Surveillance-Broadcast)の実データを用いて,提案フレームワークの有効性を評価した。
提案されたフレームワークは、さまざまなIoTアプリケーションやサービスにおけるIoTデバイスの正確な識別に適用される可能性がある。
IEEE Dataport (DOI: 10.21227/1bxc-ke87) および \url{https://github.com/pcwhy/CSIL}} で利用可能なデータとコード
関連論文リスト
- IDEA: A Flexible Framework of Certified Unlearning for Graph Neural Networks [68.6374698896505]
グラフニューラルネットワーク(GNN)は、ますます多くのアプリケーションにデプロイされている。
トレーニングされたGNNがデプロイされ、潜在的攻撃者に対して公開されると、プライバシリークが発生する可能性がある。
我々は,GNNのための柔軟で認定されたアンラーニングを実現するために,IDEAというフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-28T04:59:59Z) - A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。
われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
論文 参考訳（メタデータ） (2024-06-18T08:42:51Z) - 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) - 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) - IoTGAN: GAN Powered Camouflage Against Machine Learning Based IoT Device
Identification [15.672513473104031]
我々はIoTデバイスのトラフィックを操作するためにIoTGANという新しい攻撃戦略を提案する。
ニューラルネットワークベースの代用モデルを使用して、ターゲットモデルをブラックボックス設定に適合させる。
操作モデルは、代替モデルを回避するために、IoTデバイスのトラフィックに敵の摂動を追加するように訓練される。
論文 参考訳（メタデータ） (2022-01-10T10:54:11Z) - 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) - Zero-Bias Deep Learning for Accurate Identification of Internet of
Things (IoT) Devices [20.449229983283736]
物理層信号を用いたIoTデバイス識別のための拡張ディープラーニングフレームワークを提案する。
航空におけるIoTの応用であるADS-B(Automatic Dependent Surveillance-Broadcast)の実データを用いて,提案手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-08-27T20:50:48Z) - Wireless Communications for Collaborative Federated Learning [160.82696473996566]
IoT(Internet of Things)デバイスは、収集したデータを中央のコントローラに送信することができず、機械学習モデルをトレーニングすることができる。
GoogleのセミナルFLアルゴリズムでは、すべてのデバイスを中央コントローラに直接接続する必要がある。
本稿では,コラボレーティブFL(CFL)と呼ばれる新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-03T20:00:02Z) - 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 based Pedestrian Inertial Navigation: Methods, Dataset and
On-Device Inference [49.88536971774444]
慣性測定ユニット(IMU)は小型で安価でエネルギー効率が良く、スマートデバイスや移動ロボットに広く使われている。
正確で信頼性の高い歩行者ナビゲーションをサポートするために慣性データをエクスプロイトすることは、新しいインターネット・オブ・シングス・アプリケーションやサービスにとって重要なコンポーネントである。
我々は、深層学習に基づく慣性ナビゲーション研究のための最初の公開データセットであるOxIOD(OxIOD)を提示、リリースする。
論文 参考訳（メタデータ） (2020-01-13T04:41:54Z)
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。