論文の概要: A Modern Analysis of Aging Machine Learning Based IoT Cybersecurity Methods

• arxiv url: http://arxiv.org/abs/2110.07832v1
• Date: Fri, 15 Oct 2021 03:12:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-19 03:31:32.234229
• Title: A Modern Analysis of Aging Machine Learning Based IoT Cybersecurity Methods
• Title（参考訳）: 老朽化機械学習によるIoTサイバーセキュリティ手法の現代的分析
• Authors: Sam Strecker, Rushit Dave, Nyle Siddiqui, Naeem Seliya
• Abstract要約: 本研究では,3つの異なるIoTサイバーセキュリティアルゴリズムの有効性について検討した。 各アルゴリズムは、Aposemat IoT-23データセットでトレーニングされ、テストされた。 2021年には3つのアルゴリズムがすべて、現在のサイバーセキュリティの風景を効果的に活用できることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Modern scientific advancements often contribute to the introduction and refinement of never-before-seen technologies. This can be quite the task for humans to maintain and monitor and as a result, our society has become reliant on machine learning to assist in this task. With new technology comes new methods and thus new ways to circumvent existing cyber security measures. This study examines the effectiveness of three distinct Internet of Things cyber security algorithms currently used in industry today for malware and intrusion detection: Random Forest (RF), Support-Vector Machine (SVM), and K-Nearest Neighbor (KNN). Each algorithm was trained and tested on the Aposemat IoT-23 dataset which was published in January 2020 with the earliest of captures from 2018 and latest from 2019. The RF, SVM, and KNN reached peak accuracies of 92.96%, 86.23%, and 91.48%, respectively, in intrusion detection and 92.27%, 83.52%, and 89.80% in malware detection. It was found all three algorithms are capable of being effectively utilized for the current landscape of IoT cyber security in 2021.
• Abstract（参考訳）: 現代の科学の発展は、かつてない技術の導入と改良にしばしば貢献している。 これは人間が維持し、監視するタスクであり、その結果、我々の社会は、このタスクを支援するために機械学習に依存している。 新しい技術によって、既存のサイバーセキュリティ対策を回避する新しい方法がもたらされる。 本研究では、現在、マルウェアや侵入検知に使われている3つの異なるIoTサイバーセキュリティアルゴリズム、ランダムフォレスト(RF)、サポートベクターマシン(SVM)、K-Nearest Neighbor(KNN)の有効性について検討する。 各アルゴリズムはAposemat IoT-23データセットでトレーニングとテストが行われ、2020年1月に公開された。 RF、SVM、KNNはそれぞれ92.96%、86.23%、91.48%、侵入検知では92.27%、83.52%、マルウェア検出では89.80%に達した。 2021年、現在のIoTサイバーセキュリティの状況において、3つのアルゴリズムが効果的に活用できることが判明した。

関連論文リスト

• 1D-CNN-IDS: 1D CNN-based Intrusion Detection System for IIoT [2.192061681117835]
  本研究では,サイバー攻撃分類のための1次元畳み込みニューラルネットワーク (1DCNN) アルゴリズムを開発した。 提案された研究は9つのサイバー攻撃を分類するために99.90%の精度を達成した。
  論文  参考訳（メタデータ） (2024-09-13T04:22:40Z)
• Red Teaming Generative AI/NLP, the BB84 quantum cryptography protocol and the NIST-approved Quantum-Resistant Cryptographic Algorithms [2.3020018305241337]
  この研究は、AI/自然言語処理(NLP)モデルと量子暗号プロトコルのサイバーセキュリティへの影響について論じる。 この研究は、PythonとC++を主要な計算ツールとして利用し、潜在的なサイバー攻撃をシミュレートする"red teaming"アプローチを採用している。 この研究の目標は、デジタル世界が量子化されたオペレーションに移行するにつれて、AIによるサイバー脅威に対して回復力を維持することである。
  論文  参考訳（メタデータ） (2023-09-17T00:59:14Z)
• Using Machine Learning To Identify Software Weaknesses From Software Requirement Specifications [49.1574468325115]
  本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。 ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
  論文  参考訳（メタデータ） (2023-08-10T13:19:10Z)
• Graph Mining for Cybersecurity: A Survey [61.505995908021525]
  マルウェア、スパム、侵入などのサイバー攻撃の爆発的な増加は、社会に深刻な影響をもたらした。 従来の機械学習(ML)ベースの手法は、サイバー脅威の検出に広く用いられているが、現実のサイバーエンティティ間の相関をモデル化することはほとんどない。 グラフマイニング技術の普及に伴い、サイバーエンティティ間の相関を捉え、高いパフォーマンスを達成するために、多くの研究者がこれらの手法を調査した。
  論文  参考訳（メタデータ） (2023-04-02T08:43:03Z)
• Harnessing the Power of Decision Trees to Detect IoT Malware [0.0]
  IoT(Internet of Things)は、マルウェア攻撃の影響を受けやすい。 静的な手法を用いる現在の方法と分析は効果がない。 本稿では,決定木の力を利用する新しい検出・解析手法を提案する。
  論文  参考訳（メタデータ） (2023-01-28T00:56:10Z)
• Intrusion Detection Systems Using Support Vector Machines on the KDDCUP'99 and NSL-KDD Datasets: A Comprehensive Survey [6.847009696437944]
  我々は、サイバーセキュリティにおいて最も広く使われている2つのデータセット、すなわちKDDCUP'99とNSL-KDDデータセットで評価された研究に焦点を当てた。 本稿では,SVMの役割や研究に関わるアルゴリズムについて,各手法の概要について述べる。
  論文  参考訳（メタデータ） (2022-09-12T20:02:12Z)
• Inspect, Understand, Overcome: A Survey of Practical Methods for AI Safety [54.478842696269304]
  安全クリティカルなアプリケーションにディープニューラルネットワーク(DNN)を使用することは、多数のモデル固有の欠点のために困難です。 近年,これらの安全対策を目的とした最先端技術動物園が出現している。 本稿は、機械学習の専門家と安全エンジニアの両方に対処する。
  論文  参考訳（メタデータ） (2021-04-29T09:54:54Z)
• SHARKS: Smart Hacking Approaches for RisK Scanning in Internet-of-Things and Cyber-Physical Systems based on Machine Learning [5.265938973293016]
  サイバー物理システム(CPS)とIoT(Internet-of-Things)デバイスは、ますます複数の機能にわたってデプロイされている。 これらのデバイスは、本質的にソフトウェア、ハードウェア、ネットワークスタック全体にわたって安全ではない。 本稿では,未知のシステム脆弱性の検出,脆弱性の管理,インシデント対応の改善のための革新的な手法を提案する。
  論文  参考訳（メタデータ） (2021-01-07T22:01:30Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Adversarial Machine Learning Attacks and Defense Methods in the Cyber Security Domain [58.30296637276011]
  本稿では,機械学習技術に基づくセキュリティソリューションに対する敵攻撃に関する最新の研究を要約する。 サイバーセキュリティドメインでエンドツーエンドの敵攻撃を実装するという、ユニークな課題を議論するのは、これが初めてである。
  論文  参考訳（メタデータ） (2020-07-05T18:22:40Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。