論文の概要: Deep Transfer Learning Based Intrusion Detection System for Electric
Vehicular Networks
- arxiv url: http://arxiv.org/abs/2107.05172v1
- Date: Mon, 12 Jul 2021 03:06:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-14 00:12:32.558839
- Title: Deep Transfer Learning Based Intrusion Detection System for Electric
Vehicular Networks
- Title(参考訳): 深層移動学習に基づく電気自動車ネットワークの侵入検知システム
- Authors: Sk. Tanzir Mehedi, Adnan Anwar, Ziaur Rahman and Kawsar Ahmed
- Abstract要約: IVNデバイスのリスクは、複雑なデータ集約アーキテクチャのため、依然として安全で脆弱である。
従来の機械学習ベースのIDSは、現在の環境のセキュリティ要件に対処するためにアップデートする必要がある。
本論文では,IVN の深層移動学習に基づく IDS モデルを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Controller Area Network (CAN) bus works as an important protocol in the
real-time In-Vehicle Network (IVN) systems for its simple, suitable, and robust
architecture. The risk of IVN devices has still been insecure and vulnerable
due to the complex data-intensive architectures which greatly increase the
accessibility to unauthorized networks and the possibility of various types of
cyberattacks. Therefore, the detection of cyberattacks in IVN devices has
become a growing interest. With the rapid development of IVNs and evolving
threat types, the traditional machine learning-based IDS has to update to cope
with the security requirements of the current environment. Nowadays, the
progression of deep learning, deep transfer learning, and its impactful outcome
in several areas has guided as an effective solution for network intrusion
detection. This manuscript proposes a deep transfer learning-based IDS model
for IVN along with improved performance in comparison to several other existing
models. The unique contributions include effective attribute selection which is
best suited to identify malicious CAN messages and accurately detect the normal
and abnormal activities, designing a deep transfer learning-based LeNet model,
and evaluating considering real-world data. To this end, an extensive
experimental performance evaluation has been conducted. The architecture along
with empirical analyses shows that the proposed IDS greatly improves the
detection accuracy over the mainstream machine learning, deep learning, and
benchmark deep transfer learning models and has demonstrated better performance
for real-time IVN security.
- Abstract(参考訳): コントローラエリアネットワーク(CAN)バスは、そのシンプルで適切な、堅牢なアーキテクチャのために、リアルタイム車載ネットワーク(IVN)システムにおいて重要なプロトコルとして機能する。
IVNデバイスのリスクは、未承認ネットワークへのアクセシビリティを大幅に向上させる複雑なデータ集約アーキテクチャと、さまざまなサイバー攻撃の可能性のため、依然として安全で脆弱である。
このため、IVNデバイスにおけるサイバー攻撃の検出が注目されている。
IVNの急速な開発と進化する脅威タイプにより、従来の機械学習ベースのIDSは、現在の環境のセキュリティ要件に対処するために更新されなければならない。
近年,深層学習や深層情報伝達学習の進展,その影響はネットワーク侵入検出の有効な解決策として導かれている。
本書では,ivnのための奥行き伝達学習に基づくidsモデルを提案し,他のモデルと比較して性能が向上した。
このユニークな貢献には、悪質なcanメッセージを識別し、正常および異常なアクティビティを正確に検出するのに最も適した効果的な属性選択、深層トランスファー学習ベースのレネットモデルの設計、現実世界のデータを考慮した評価が含まれる。
この目的のために、広範な実験的な性能評価が行われた。
このアーキテクチャと実証的分析により,提案手法は主流の機械学習,ディープラーニング,ベンチマークのディープトランスファーモデルよりも検出精度が大幅に向上し,実時間ivnセキュリティ性能が向上した。
関連論文リスト
- Advancing Security in AI Systems: A Novel Approach to Detecting
Backdoors in Deep Neural Networks [3.489779105594534]
バックドアは、ディープニューラルネットワーク(DNN)上の悪意あるアクターと、データ処理のためのクラウドサービスによって悪用される。
提案手法は高度テンソル分解アルゴリズムを利用して,事前学習したDNNの重みを慎重に解析し,バックドアモデルとクリーンモデルとの区別を行う。
この進歩は、ネットワークシステムにおけるディープラーニングとAIのセキュリティを強化し、新興技術の脅威の進化に対して不可欠なサイバーセキュリティを提供する。
論文 参考訳(メタデータ) (2024-03-13T03:10:11Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - 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) - CLSA: Contrastive Learning-based Survival Analysis for Popularity
Prediction in MEC Networks [36.01752474571776]
ディープニューラルネットワーク(DNN)と統合されたモバイルエッジキャッシング(MEC)は、将来の次世代無線ネットワークにとって大きな可能性を秘めている革新的な技術である。
MECネットワークの有効性は、最も人気のあるコンテンツでキャッシュノードのストレージを予測し、動的に更新する能力に大きく依存している。
有効にするためには、DNNベースの人気予測モデルには、コンテンツの歴史的要求パターンを理解する能力が必要である。
論文 参考訳(メタデータ) (2023-03-21T15:57:46Z) - Adversarial training with informed data selection [53.19381941131439]
アドリアリトレーニングは、これらの悪意のある攻撃からネットワークを守るための最も効率的なソリューションである。
本研究では,ミニバッチ学習に適用すべきデータ選択戦略を提案する。
シミュレーションの結果,ロバスト性および標準精度に関して良好な妥協が得られることがわかった。
論文 参考訳(メタデータ) (2023-01-07T12:09:50Z) - An Online Ensemble Learning Model for Detecting Attacks in Wireless
Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。
本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。
提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文 参考訳(メタデータ) (2022-04-28T23:10:47Z) - Dependable Intrusion Detection System for IoT: A Deep Transfer
Learning-based Approach [0.0]
本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。
これは、少量のラベル付きデータに対して、通常のシナリオとアタックシナリオを特定するのに最も適している、効果的な属性選択を含んでいる。
また、信頼性の高い深層移動学習ベースのResNetモデルや、実世界のデータを考慮した評価も含んでいる。
論文 参考訳(メタデータ) (2022-04-11T02:46:22Z) - Deep Transfer Learning: A Novel Collaborative Learning Model for
Cyberattack Detection Systems in IoT Networks [17.071452978622123]
フェデレートラーニング(FL)は近年,サイバー攻撃検知システムにおいて有効なアプローチとなっている。
FLは学習効率を改善し、通信オーバーヘッドを減らし、サイバー攻撃検知システムのプライバシーを高める。
このようなシステムにおけるFLの実装上の課題は、ラベル付きデータの可用性の欠如と、異なるIoTネットワークにおけるデータ機能の相違である。
論文 参考訳(メタデータ) (2021-12-02T05:26:29Z) - Deep Q-Learning based Reinforcement Learning Approach for Network
Intrusion Detection [1.7205106391379026]
本稿では,Qラーニングに基づく強化学習と,ネットワーク侵入検出のためのディープフィードフォワードニューラルネットワークを併用したネットワーク侵入検出手法を提案する。
提案するDeep Q-Learning(DQL)モデルは,ネットワーク環境に対する継続的な自動学習機能を提供する。
実験の結果,提案したDQLは,異なる侵入クラスを検出し,他の類似した機械学習手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2021-11-27T20:18:00Z) - Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。
実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
論文 参考訳(メタデータ) (2021-01-28T16:38:26Z) - 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)
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。