Fugu-MT 論文翻訳(概要): Deep Transfer Learning Based Intrusion Detection System for Electric Vehicular Networks

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

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)
Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文参考訳（メタデータ） (2024-06-04T20:36:21Z)
Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。このアプローチは、潜在空間における表現学習の強みを生かしている。
論文参考訳（メタデータ） (2024-06-04T03:22:52Z)
Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
論文参考訳（メタデータ） (2024-02-26T20:57:35Z)
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)
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)
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)

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。