論文の概要: HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection
- arxiv url: http://arxiv.org/abs/2204.04254v1
- Date: Fri, 8 Apr 2022 19:06:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-16 10:18:29.010516
- Title: HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection
- Title(参考訳): HBFL: 階層型ブロックチェーンベースのIoT侵入検出のためのフェデレーション学習フレームワーク
- Authors: Mohanad Sarhan, Wai Weng Lo, Siamak Layeghy, Marius Portmann
- Abstract要約: セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
- 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 continuous strengthening of the security posture of IoT ecosystems is
vital due to the increasing number of interconnected devices and the volume of
sensitive data shared. The utilisation of Machine Learning (ML) capabilities in
the defence against IoT cyber attacks has many potential benefits. However, the
currently proposed frameworks do not consider data privacy, secure
architectures, and/or scalable deployments of IoT ecosystems. In this paper, we
propose a hierarchical blockchain-based federated learning framework to enable
secure and privacy-preserved collaborative IoT intrusion detection. We
highlight and demonstrate the importance of sharing cyber threat intelligence
among inter-organisational IoT networks to improve the model's detection
capabilities. The proposed ML-based intrusion detection framework follows a
hierarchical federated learning architecture to ensure the privacy of the
learning process and organisational data. The transactions (model updates) and
processes will run on a secure immutable ledger, and the conformance of
executed tasks will be verified by the smart contract. We have tested our
solution and demonstrated its feasibility by implementing it and evaluating the
intrusion detection performance using a key IoT data set. The outcome is a
securely designed ML-based intrusion detection system capable of detecting a
wide range of malicious activities while preserving data privacy.
- Abstract(参考訳): iotエコシステムのセキュリティ姿勢の継続的な強化は、相互接続されたデバイス数の増加と機密データ共有量のために不可欠である。
IoTサイバー攻撃に対する防御における機械学習(ML)機能の利用には、多くの潜在的なメリットがある。
しかし、現在提案されているフレームワークは、データプライバシ、セキュアなアーキテクチャ、および/またはIoTエコシステムのスケーラブルなデプロイメントを考慮していない。
本稿では,セキュアかつプライバシ保護されたコラボレーティブなIoT侵入検出を実現するための階層型ブロックチェーンベースのフェデレーション学習フレームワークを提案する。
サイバー脅威インテリジェンスを組織間iotネットワーク間で共有し,モデルの検出能力を改善することの重要性を強調し,実証する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
トランザクション(モデル更新)とプロセスはセキュアなイミュータブルな台帳上で動作し、実行されるタスクの適合性はスマートコントラクトによって検証される。
我々は,本ソリューションを検証し,その実現可能性を示し,主要なIoTデータセットを用いた侵入検出性能の評価を行った。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
関連論文リスト
- SISSA: Real-time Monitoring of Hardware Functional Safety and
Cybersecurity with In-vehicle SOME/IP Ethernet Traffic [49.549771439609046]
本稿では,車内機能安全とサイバーセキュリティをモデル化・解析するためのSOME/IP通信トラフィックベースアプローチであるSISSAを提案する。
具体的には、SISSAはWeibullディストリビューションでハードウェア障害をモデル化し、SOME/IP通信に対する5つの潜在的な攻撃に対処する。
広範囲な実験結果から,SISSAの有効性と有効性が確認された。
論文 参考訳(メタデータ) (2024-02-21T03:31:40Z) - Adversarial Client Detection via Non-parametric Subspace Monitoring in
the Internet of Federated Things [3.280202415151067]
Internet of Federated Things (IoFT)は、フェデレート学習をバックボーンとする相互接続システムのネットワークである。
本稿では、敵攻撃問題に対処する効果的な非パラメトリックアプローチFedRRを提案する。
提案手法は,敵のクライアントを正確に検出し,攻撃が起こらないシナリオ下での誤報率を制御する。
論文 参考訳(メタデータ) (2023-10-02T18:25:02Z) - Semantic Information Marketing in The Metaverse: A Learning-Based
Contract Theory Framework [68.8725783112254]
仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。
帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。
本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
論文 参考訳(メタデータ) (2023-02-22T15:52:37Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳(メタデータ) (2022-12-21T03:37:38Z) - 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) - A Systematic Literature Review on Blockchain Enabled Federated Learning
Framework for Internet of Vehicles [1.0499611180329804]
フェデレートラーニング(FL)は、IoVのデータプライバシとセキュリティを保護する新しいアイデアとして証明されている。
IoVに対するBC-Enabled Learningフレームワークの適用と実装に関する総合的な調査を行う。
論文 参考訳(メタデータ) (2022-03-10T07:06:04Z) - 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) - RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。
クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。
悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文 参考訳(メタデータ) (2021-07-07T15:42:49Z) - Federated Learning for Internet of Things: A Federated Learning
Framework for On-device Anomaly Data Detection [10.232121085973782]
我々は、N-BaIoT、FedDetectアルゴリズム、IoTデバイスのシステム設計を使用した合成データセットを含むFedIoTプラットフォームを構築します。
現実的なIoTデバイス(PI)のネットワークにおいて,FedIoTプラットフォームとFedDetectアルゴリズムをモデルおよびシステムパフォーマンスの両方で評価する。
論文 参考訳(メタデータ) (2021-06-15T08:53:42Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳(メタデータ) (2021-06-03T16:45:40Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳(メタデータ) (2020-03-30T15:12:03Z)
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。