論文の概要: A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks
- arxiv url: http://arxiv.org/abs/2111.01383v1
- Date: Tue, 2 Nov 2021 05:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-03 20:53:00.030822
- Title: A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks
- Title（参考訳）: エッジ型IoTネットワークにおける侵入検出のための機械学習アルゴリズムの比較解析
- Authors: Poornima Mahadevappa, Syeda Mariam Muzammal and Raja Kumar Murugesan
- Abstract要約: 侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A significant increase in the number of interconnected devices and data
communication through wireless networks has given rise to various threats,
risks and security concerns. Internet of Things (IoT) applications is deployed
in almost every field of daily life, including sensitive environments. The edge
computing paradigm has complemented IoT applications by moving the
computational processing near the data sources. Among various security models,
Machine Learning (ML) based intrusion detection is the most conceivable defense
mechanism to combat the anomalous behavior in edge-enabled IoT networks. The ML
algorithms are used to classify the network traffic into normal and malicious
attacks. Intrusion detection is one of the challenging issues in the area of
network security. The research community has proposed many intrusion detection
systems. However, the challenges involved in selecting suitable algorithm(s) to
provide security in edge-enabled IoT networks exist. In this paper, a
comparative analysis of conventional machine learning classification algorithms
has been performed to categorize the network traffic on NSL-KDD dataset using
Jupyter on Pycharm tool. It can be observed that Multi-Layer Perception (MLP)
has dependencies between input and output and relies more on network
configuration for intrusion detection. Therefore, MLP can be more appropriate
for edge-based IoT networks with a better training time of 1.2 seconds and
testing accuracy of 79%.
- Abstract（参考訳）: 相互接続されたデバイス数と無線ネットワークによるデータ通信の大幅な増加は、さまざまな脅威、リスク、セキュリティ上の懸念を引き起こしている。
IoT(Internet of Things)アプリケーションは、センシティブな環境を含む、ほぼすべての日常生活領域にデプロイされる。
エッジコンピューティングパラダイムは、計算処理をデータソースの近くに移すことで、iotアプリケーションを補完している。
さまざまなセキュリティモデルの中で、機械学習(ML)ベースの侵入検出は、エッジ対応IoTネットワークにおける異常な動作に対処するための最も認識可能な防御メカニズムである。
MLアルゴリズムは、ネットワークトラフィックを通常の攻撃と悪意のある攻撃に分類するために使用される。
侵入検知は、ネットワークセキュリティの分野における課題の1つである。
研究コミュニティは多数の侵入検知システムを提案している。
しかし、エッジ対応IoTネットワークのセキュリティを提供するための適切なアルゴリズムの選択に関わる課題は存在する。
本稿では、従来の機械学習分類アルゴリズムの比較分析を行い、Jupyter on Pycharmツールを用いてNSL-KDDデータセット上のネットワークトラフィックを分類した。
多層知覚(mlp)は入力と出力の間に依存性があり、侵入検出にはネットワーク構成に依存することが観察できる。
したがって、MLPは、1.2秒のトレーニング時間と79%のテスト精度でエッジベースのIoTネットワークに適している。
関連論文リスト
- SCGNet-Stacked Convolution with Gated Recurrent Unit Network for Cyber Network Intrusion Detection and Intrusion Type Classification [0.0]
侵入検知システム(IDS)は、複雑で多様なネットワーク攻撃を迅速かつ効率的に識別できるものではない。
SCGNetは,本研究で提案する新しいディープラーニングアーキテクチャである。
NSL-KDDデータセットは、それぞれ99.76%と98.92%の精度で、ネットワーク攻撃検出と攻撃タイプ分類の両方で有望な結果を示す。
論文 参考訳（メタデータ） (2024-10-29T09:09:08Z) - 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) - Intrusion Detection: A Deep Learning Approach [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)モジュールとLong Short Term Memory(LSTM)モジュール,SVM(Support Vector Machine)分類機能を備えた侵入検出システムを提案する。
この分析に続いて、従来の機械学習技術と深層学習手法を比較し、さらに探索可能な領域を強調した。
論文 参考訳（メタデータ） (2023-06-13T07:58:40Z) - 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) - 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) - 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) - Few-shot Network Anomaly Detection via Cross-network Meta-learning [45.8111239825361]
GDN(Graph Deviation Networks)という新しいタイプのグラフニューラルネットワークを提案します。
GDNは少数のラベル付き異常を利用して、ネットワーク上の異常ノードと正常ノードの間に統計的に有意なずれを生じさせる。
提案したGDNを新しいクロスネットワークメタラーニングアルゴリズムで実装し,マルチショットネットワーク異常検出を実現した。
論文 参考訳（メタデータ） (2021-02-22T16:42:37Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - 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) - 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) - Machine Learning based Anomaly Detection for 5G Networks [0.0]
本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。
SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
論文 参考訳（メタデータ） (2020-03-07T00:17:08Z)
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。