論文の概要: DeepAuditor: Distributed Online Intrusion Detection System for IoT
devices via Power Side-channel Auditing
- arxiv url: http://arxiv.org/abs/2106.12753v1
- Date: Thu, 24 Jun 2021 03:32:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 04:30:57.615634
- Title: DeepAuditor: Distributed Online Intrusion Detection System for IoT
devices via Power Side-channel Auditing
- Title(参考訳): DeepAuditor: 電力サイドチャネル監査によるIoTデバイスの分散オンライン侵入検知システム
- Authors: Woosub Jung (1), Yizhou Feng (2), Sabbir Ahmed Khan (2), Chunsheng Xin
(2), Danella Zhao (2), and Gang Zhou (1) ((1) William & Mary, (2) Old
Dominion University)
- Abstract要約: 本研究の目的は、電力監査によるIoTデバイス用のDeepAuditorと呼ばれるオンライン侵入検知システムの設計である。
我々はまず、Power Auditorと呼ばれる軽量パワー監査装置を提案した。
データ漏洩の保護とネットワーク冗長性の低減のため,プライバシ保護型推論プロトコルも提案した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the number of IoT devices has increased rapidly, IoT botnets have
exploited the vulnerabilities of IoT devices. However, it is still challenging
to detect the initial intrusion on IoT devices prior to massive attacks. Recent
studies have utilized power side-channel information to characterize this
intrusion behavior on IoT devices but still lack real-time detection
approaches. This study aimed to design an online intrusion detection system
called DeepAuditor for IoT devices via power auditing. To realize the real-time
system, we first proposed a lightweight power auditing device called Power
Auditor. With the Power Auditor, we developed a Distributed CNN classifier for
online inference in our laboratory setting. In order to protect data leakage
and reduce networking redundancy, we also proposed a privacy-preserved
inference protocol via Packed Homomorphic Encryption and a sliding window
protocol in our system. The classification accuracy and processing time were
measured in our laboratory settings. We also demonstrated that the distributed
CNN design is secure against any distributed components. Overall, the
measurements were shown to the feasibility of our real-time distributed system
for intrusion detection on IoT devices.
- Abstract(参考訳): IoTデバイスの数が急速に増加したため、IoTボットネットはIoTデバイスの脆弱性を悪用している。
しかし、大規模な攻撃の前にIoTデバイスへの最初の侵入を検出することは依然として困難である。
近年の研究では、このIoTデバイスへの侵入動作を特徴付けるために電力側チャネル情報を利用しているが、リアルタイム検出アプローチはいまだに存在しない。
本研究の目的は、電力監査によるIoTデバイス用DeepAuditorと呼ばれるオンライン侵入検知システムの設計である。
リアルタイムシステムを実現するために,我々はまずPower Auditorと呼ばれる軽量パワー監査装置を提案する。
我々はPower Auditorを用いて,オンライン推論のための分散CNN分類器を開発した。
また,データ漏洩の防止とネットワーク冗長性の低減のために,パケット同型暗号化とスライディングウインドウプロトコルを用いたプライバシ保護型推論プロトコルを提案する。
実験室では,分類精度と処理時間を測定した。
また、分散CNN設計が分散コンポーネントに対して安全であることを実証した。
全体として、IoTデバイスへの侵入検知のためのリアルタイム分散システムの実現可能性を示した。
関連論文リスト
- Grid Monitoring and Protection with Continuous Point-on-Wave
Measurements and Generative AI [47.19756484695248]
本稿では,汎用人工知能(AI)と機械学習の最近の進歩を活用する次世代グリッド監視制御システムについて述べる。
AIを用いたデータ圧縮と故障検出による連続点波計測(CPOW)のストリーミングに基づくモニタリングと制御のフレームワークについて論じる。
論文 参考訳(メタデータ) (2024-03-11T17:28:46Z) - 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) - An Intelligent Mechanism for Monitoring and Detecting Intrusions in IoT
Devices [0.7219077740523682]
この研究は、フェデレートラーニングとマルチ層パーセプトロンニューラルネットワークを活用して、IoTデバイスに対するサイバー攻撃を高精度に検出し、データプライバシ保護を強化するホストベースの侵入検知システムを提案する。
論文 参考訳(メタデータ) (2023-06-23T11:26:00Z) - 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) - IoT Device Identification Based on Network Communication Analysis Using
Deep Learning [43.0717346071013]
組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。
この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。
本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
論文 参考訳(メタデータ) (2023-03-02T13:44:58Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳(メタデータ) (2022-06-15T19:46:59Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳(メタデータ) (2021-06-15T08:53:42Z) - Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement
Learning [73.85267769520715]
IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。
部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。
深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
論文 参考訳(メタデータ) (2020-12-31T11:19:51Z) - IoT Device Identification Using Deep Learning [43.0717346071013]
組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。
広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。
本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
論文 参考訳(メタデータ) (2020-02-25T12:24:49Z) - 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)
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。