論文の概要: Revisiting IoT Device Identification

• arxiv url: http://arxiv.org/abs/2107.07818v1
• Date: Fri, 16 Jul 2021 11:01:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-19 20:10:18.740531
• Title: Revisiting IoT Device Identification
• Title（参考訳）: IoTデバイス識別の再検討
• Authors: Roman Kolcun, Diana Andreea Popescu, Vadim Safronov, Poonam Yadav, Anna Maria Mandalari, Richard Mortier, Hamed Haddadi
• Abstract要約: IoT(Internet-of-Things)デバイスは多くのセキュリティ問題の原因として知られている。 ネットワークの振る舞いに基づいて,IoTデバイスを正確に識別する方法を検討する。
• 参考スコア（独自算出の注目度）: 4.451756374933898
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet-of-Things (IoT) devices are known to be the source of many security problems, and as such, they would greatly benefit from automated management. This requires robustly identifying devices so that appropriate network security policies can be applied. We address this challenge by exploring how to accurately identify IoT devices based on their network behavior, while leveraging approaches previously proposed by other researchers. We compare the accuracy of four different previously proposed machine learning models (tree-based and neural network-based) for identifying IoT devices. We use packet trace data collected over a period of six months from a large IoT test-bed. We show that, while all models achieve high accuracy when evaluated on the same dataset as they were trained on, their accuracy degrades over time, when evaluated on data collected outside the training set. We show that on average the models' accuracy degrades after a couple of weeks by up to 40 percentage points (on average between 12 and 21 percentage points). We argue that, in order to keep the models' accuracy at a high level, these need to be continuously updated.
• Abstract（参考訳）: Internet-of-Things(IoT)デバイスは多くのセキュリティ問題の原因として知られており、自動化された管理の恩恵を受けるだろう。 これは、適切なネットワークセキュリティポリシーを適用するために、ロバストなデバイス識別を必要とする。 他の研究者が提案したアプローチを活用しながら、ネットワークの振る舞いに基づいてIoTデバイスを正確に識別する方法を検討することで、この問題に対処する。 これまで提案してきた4種類の機械学習モデル(ツリーベースとニューラルネットワークベース)の精度をiotデバイス識別のために比較した。 大規模なiotテストベッドから6ヶ月にわたって収集されたパケットトレースデータを使用する。 トレーニングしたモデルと同じデータセットで評価すると,すべてのモデルで高い精度が得られたが,トレーニングセット外のデータに基づいて評価すると,その精度は経時的に低下する。 モデルの平均精度は、数週間後に最大40パーセンテージ(平均12パーセンテージから21パーセンテージ)で低下する。 モデルの精度を高いレベルに保つためには、これらを継続的に更新する必要がある、と我々は主張する。

関連論文リスト

• Towards Efficient Machine Learning Method for IoT DDoS Attack Detection [0.0]
  IoTデバイスによるDDoS攻撃は、インターネット上で実行されるアプリケーションの大幅なダウンタイムを引き起こす可能性がある。 本稿では,最も有用な機能のみを選択し,それらの機能をXGBoostモデルに渡すハイブリッド機能選択アルゴリズムを提案する。 私たちのモデルは、CIC IDS 2017データセットで99.993%の精度、CIC IoT 2023データセットで97.64%のリコールを実現しています。
  論文  参考訳（メタデータ） (2024-08-16T09:41:54Z)
• Collaborative Learning with a Drone Orchestrator [79.75113006257872]
  インテリジェントな無線デバイス群は、ドローンの助けを借りて共有ニューラルネットワークモデルを訓練する。 提案したフレームワークは,トレーニングの大幅な高速化を実現し,ドローンホバリング時間の平均24%と87%の削減を実現している。
  論文  参考訳（メタデータ） (2023-03-03T23:46:25Z)
• 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)
• Robust Federated Learning for execution time-based device model identification under label-flipping attack [0.0]
  デバイス偽造と偽造のサイバー攻撃は、その影響と、通常、打ち上げに必要な複雑さが低いために際立っている。 行動フィンガープリントとML/DL(Machine/Deep Learning)技術の組み合わせに基づいて、デバイスモデルとタイプを特定するいくつかのソリューションが登場した。 フェデレートラーニング(FL)のような新しいアプローチは、特にシナリオ設定に悪意のあるクライアントが存在する場合、まだ十分に検討されていない。
  論文  参考訳（メタデータ） (2021-11-29T10:27:14Z)
• 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)
• The Case for Retraining of ML Models for IoT Device Identification at the Edge [0.026215338446228163]
  ネットワークのエッジで利用可能なリソースを用いて、ネットワークの振る舞いに基づいてIoTデバイスを識別する方法を示す。 エッジにおいて、デバイス識別と分類をそれぞれ80%以上と90%以上精度で達成することができる。
  論文  参考訳（メタデータ） (2020-11-17T13:01:04Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• 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)
• 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)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。