論文の概要: Collaborative Learning for Cyberattack Detection in Blockchain Networks
- arxiv url: http://arxiv.org/abs/2203.11076v1
- Date: Mon, 21 Mar 2022 15:55:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:40:29.839877
- Title: Collaborative Learning for Cyberattack Detection in Blockchain Networks
- Title（参考訳）: ブロックチェーンネットワークにおけるサイバー攻撃検出のための協調学習
- Authors: Tran Viet Khoa, Do Hai Son, Dinh Thai Hoang, Nguyen Linh Trung, Tran
Thi Thuy Quynh, Diep N. Nguyen, Nguyen Viet Ha and Eryk Dutkiewicz
- Abstract要約: この記事では、侵入攻撃を調査し、ブロックチェーンネットワークのための新しいサイバー攻撃検出フレームワークを開発することを目的としている。
私たちの知る限りでは、ブロックチェーンネットワークにおけるサイバー攻撃の研究所で合成された最初のデータセットです。
ブロックチェーンネットワークに効率的に配置して攻撃を検知できる新しい協調学習モデルを提案する。
- 参考スコア（独自算出の注目度）: 25.48062860621572
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This article aims to study intrusion attacks and then develop a novel
cyberattack detection framework for blockchain networks. Specifically, we first
design and implement a blockchain network in our laboratory. This blockchain
network will serve two purposes, i.e., generate the real traffic data
(including both normal data and attack data) for our learning models and
implement real-time experiments to evaluate the performance of our proposed
intrusion detection framework. To the best of our knowledge, this is the first
dataset that is synthesized in a laboratory for cyberattacks in a blockchain
network. We then propose a novel collaborative learning model that allows
efficient deployment in the blockchain network to detect attacks. The main idea
of the proposed learning model is to enable blockchain nodes to actively
collect data, share the knowledge learned from its data, and then exchange the
knowledge with other blockchain nodes in the network. In this way, we can not
only leverage the knowledge from all the nodes in the network but also do not
need to gather all raw data for training at a centralized node like
conventional centralized learning solutions. Such a framework can also avoid
the risk of exposing local data's privacy as well as the excessive network
overhead/congestion. Both intensive simulations and real-time experiments
clearly show that our proposed collaborative learning-based intrusion detection
framework can achieve an accuracy of up to 97.7% in detecting attacks.
- Abstract（参考訳）: この記事では、侵入攻撃を調査し、ブロックチェーンネットワークのための新しいサイバー攻撃検出フレームワークを開発することを目的とする。
具体的には、まず実験室でブロックチェーンネットワークを設計、実装します。
このブロックチェーンネットワークは、学習モデルの実際のトラフィックデータ(通常のデータと攻撃データの両方を含む)を生成し、提案する侵入検出フレームワークのパフォーマンスを評価するために、リアルタイムな実験を実行します。
私たちの知る限りでは、ブロックチェーンネットワークにおけるサイバー攻撃の研究所で合成された最初のデータセットです。
次に,ブロックチェーンネットワークへの効率的な展開による攻撃検出を可能にする,新たな協調学習モデルを提案する。
提案された学習モデルの主なアイデアは、ブロックチェーンノードが積極的にデータを収集し、データから学んだ知識を共有し、ネットワーク内の他のブロックチェーンノードと知識を交換できるようにすることである。
このように、ネットワーク内のすべてのノードからの知識を活用できるだけでなく、従来の集中型学習ソリューションのような集中型ノードでのトレーニングのために、すべての生データを収集する必要がない。
このようなフレームワークは、ネットワークの過度なオーバーヘッド/混雑だけでなく、ローカルデータのプライバシを公開するリスクも回避できる。
集中シミュレーションとリアルタイム実験の両方において,提案する協調学習に基づく侵入検知フレームワークが,攻撃検出において最大97.7%の精度を達成できることが明らかである。
関連論文リスト
- Real-time Cyberattack Detection with Collaborative Learning for Blockchain Networks [29.481124078876032]
ブロックチェーンネットワークを保護するために,効率的な協調型サイバー攻撃検出モデルを提案する。
提案する検出モデルは,ブロックチェーンネットワークにおける攻撃を最大97%の精度で検出できる。
論文 参考訳（メタデータ） (2024-07-04T15:39:49Z) - Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳（メタデータ） (2024-03-28T07:08:26Z) - Graph Attention Network-based Block Propagation with Optimal AoI and Reputation in Web 3.0 [59.94605620983965]
我々は、ブロックチェーン対応Web 3.0のための、グラフ注意ネットワーク(GAT)ベースの信頼できるブロック伝搬最適化フレームワークを設計する。
ブロック伝搬の信頼性を実現するために,主観的論理モデルに基づく評価機構を導入する。
グラフ構造化データの処理能力に優れたGATが存在することを考慮し、GATを強化学習に利用して最適なブロック伝搬軌道を得る。
論文 参考訳（メタデータ） (2024-03-20T01:58:38Z) - Generative AI-enabled Blockchain Networks: Fundamentals, Applications,
and Case Study [73.87110604150315]
Generative Artificial Intelligence(GAI)は、ブロックチェーン技術の課題に対処するための有望なソリューションとして登場した。
本稿では、まずGAI技術を紹介し、そのアプリケーションの概要を説明し、GAIをブロックチェーンに統合するための既存のソリューションについて議論する。
論文 参考訳（メタデータ） (2024-01-28T10:46:17Z) - Collaborative Learning Framework to Detect Attacks in Transactions and Smart Contracts [26.70294159598272]
本稿では、ブロックチェーントランザクションとスマートコントラクトの攻撃を検出するために設計された、新しい協調学習フレームワークを提案する。
当社のフレームワークは,マシンコードレベルでの複雑な攻撃を含む,さまざまな種類のブロックチェーン攻撃を分類する機能を示している。
我々のフレームワークは、広範囲なシミュレーションによって約94%の精度を達成し、リアルタイム実験では91%のスループットで毎秒2,150トランザクションを処理している。
論文 参考訳（メタデータ） (2023-08-30T07:17:20Z) - A Survey on Blockchain-Based Federated Learning and Data Privacy [1.0499611180329802]
フェデレーテッド・ラーニング(Federated Learning)は、複数のクライアントがローカルな計算能力とモデルの伝達を活用して協力できるようにする、分散機械学習パラダイムである。
一方、フェデレーション学習は、ストレージ、転送、共有に使用されるプライバシー保護機構が欠如しているため、データ漏洩の欠点がある。
この調査は、ブロックチェーンベースのフェデレーション学習アーキテクチャで採用されているさまざまなデータプライバシメカニズムのパフォーマンスとセキュリティを比較することを目的としている。
論文 参考訳（メタデータ） (2023-06-29T23:43:25Z) - SPIN: Simulated Poisoning and Inversion Network for Federated
Learning-Based 6G Vehicular Networks [9.494669823390648]
車両ネットワークは常にデータプライバシー保護の懸念に直面してきた。
この手法は、モデル逆転とモデル中毒攻撃に対して非常に脆弱である。
本研究では,データ再構成に最適化手法を応用したシミュレート中毒・逆変換ネットワーク(SPIN)を提案する。
論文 参考訳（メタデータ） (2022-11-21T10:07:13Z) - Truth Serum: Poisoning Machine Learning Models to Reveal Their Secrets [53.866927712193416]
トレーニングデータセットを有害にすることができる敵が、このデータセットでトレーニングされたモデルに、他の当事者のプライベート詳細を漏洩させる可能性があることを示す。
私たちの攻撃は、メンバーシップ推論、属性推論、データ抽出に効果的です。
私たちの結果は、機械学習のためのマルチパーティプロトコルにおける暗号化プライバシ保証の関連性に疑問を投げかけました。
論文 参考訳（メタデータ） (2022-03-31T18:06:28Z) - The Feasibility and Inevitability of Stealth Attacks [63.14766152741211]
我々は、攻撃者が汎用人工知能システムにおける決定を制御できる新しい敵の摂動について研究する。
敵対的なデータ修正とは対照的に、ここで考慮する攻撃メカニズムには、AIシステム自体の変更が含まれる。
論文 参考訳（メタデータ） (2021-06-26T10:50:07Z) - Privacy-Preserved Blockchain-Federated-Learning for Medical Image
Analysis Towards Multiple Parties [5.296010468961924]
この記事では、フェデレーション付き学習とブロックチェーンに基づくプライバシ保護フレームワークを設計する。
最初のステップでは、カプセルネットワークを使用してローカルモデルをトレーニングして、COVID-19画像のセグメンテーションと分類を行います。
第2のステップでは、同型暗号方式により局所モデルを確保します。
論文 参考訳（メタデータ） (2021-04-22T07:32:04Z) - Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。
本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文 参考訳（メタデータ） (2020-03-13T15:34:33Z)
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。