論文の概要: Dependable Intrusion Detection System for IoT: A Deep Transfer
Learning-based Approach
- arxiv url: http://arxiv.org/abs/2204.04837v1
- Date: Mon, 11 Apr 2022 02:46:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 18:09:30.603088
- Title: Dependable Intrusion Detection System for IoT: A Deep Transfer
Learning-based Approach
- Title(参考訳): IoTのための依存型侵入検知システム:ディープトランスファー学習に基づくアプローチ
- Authors: Sk. Tanzir Mehedi, Adnan Anwar, Ziaur Rahman, Kawsar Ahmed and Rafiqul
Islam
- Abstract要約: 本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。
これは、少量のラベル付きデータに対して、通常のシナリオとアタックシナリオを特定するのに最も適している、効果的な属性選択を含んでいる。
また、信頼性の高い深層移動学習ベースのResNetモデルや、実世界のデータを考慮した評価も含んでいる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Security concerns for IoT applications have been alarming because of their
widespread use in different enterprise systems. The potential threats to these
applications are constantly emerging and changing, and therefore, sophisticated
and dependable defense solutions are necessary against such threats. With the
rapid development of IoT networks and evolving threat types, the traditional
machine learning-based IDS must update to cope with the security requirements
of the current sustainable IoT environment. In recent years, deep learning, and
deep transfer learning have progressed and experienced great success in
different fields and have emerged as a potential solution for dependable
network intrusion detection. However, new and emerging challenges have arisen
related to the accuracy, efficiency, scalability, and dependability of the
traditional IDS in a heterogeneous IoT setup. This manuscript proposes a deep
transfer learning-based dependable IDS model that outperforms several existing
approaches. The unique contributions include effective attribute selection,
which is best suited to identify normal and attack scenarios for a small amount
of labeled data, designing a dependable deep transfer learning-based ResNet
model, and evaluating considering real-world data. To this end, a comprehensive
experimental performance evaluation has been conducted. Extensive analysis and
performance evaluation show that the proposed model is robust, more efficient,
and has demonstrated better performance, ensuring dependability.
- Abstract(参考訳): IoTアプリケーションに対するセキュリティ上の懸念は、さまざまなエンタープライズシステムで広く使用されていることから、警戒されている。
これらのアプリケーションに対する潜在的な脅威は絶えず出現し、変化しており、そのため、そのような脅威に対して高度で信頼できる防御ソリューションが必要である。
IoTネットワークの急速な開発と進化する脅威タイプにより、従来の機械学習ベースのIDSは、現在の持続可能なIoT環境のセキュリティ要件に対処するために更新されなければならない。
近年,ディープ・ラーニングとディープ・トランスファー・ラーニングが様々な分野で大きな成功を収め,信頼性の高いネットワーク侵入検出の潜在的なソリューションとして浮上している。
しかし、新しい課題や新たな課題は、異種IoTセットアップにおける従来のIDSの正確性、効率性、スケーラビリティ、信頼性に関連する。
本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。
このユニークな貢献には、少量のラベル付きデータの正規および攻撃シナリオを特定するのに最も適した効果的な属性選択、信頼可能なディープトランスファー学習ベースのresnetモデルの設計、現実世界のデータを考慮した評価が含まれる。
この目的のために、総合的な実験性能評価が行われた。
大規模解析と性能評価により,提案モデルが堅牢で,より効率的であり,性能が向上し,信頼性が保証された。
関連論文リスト
- Physics Inspired Hybrid Attention for SAR Target Recognition [61.01086031364307]
本稿では,物理にヒントを得たハイブリットアテンション(PIHA)機構と,この問題に対処するためのOFA評価プロトコルを提案する。
PIHAは、物理的情報の高レベルなセマンティクスを活用して、ターゲットの局所的なセマンティクスを認識した特徴群を活性化し、誘導する。
提案手法は,ASCパラメータが同じ12のテストシナリオにおいて,他の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-27T14:39:41Z) - Is there a Trojan! : Literature survey and critical evaluation of the
latest ML based modern intrusion detection systems in IoT environments [0.0]
ドメインとしてのIoTはここ数年で大きく成長し、データ量だけでなく、サイバーセキュリティの脅威もモバイルネットワーク環境に匹敵している。
IoT環境内のデータの機密性とプライバシは、ここ数年でセキュリティ研究の重要な領域になっている。
ますます多くのセキュリティ専門家が、従来のセキュリティ手法を補完するものとして、IoT環境を保護する堅牢なIDSシステムを設計することに関心を持っている。
論文 参考訳(メタデータ) (2023-06-14T08:48:46Z) - Effective Intrusion Detection in Highly Imbalanced IoT Networks with
Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。
既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。
我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文 参考訳(メタデータ) (2023-06-06T14:19:23Z) - Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。
このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。
我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
論文 参考訳(メタデータ) (2023-06-05T09:08:24Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳(メタデータ) (2023-03-03T16:12:59Z) - 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) - Towards Efficiently Evaluating the Robustness of Deep Neural Networks in
IoT Systems: A GAN-based Method [12.466212057641933]
本稿では,AI-GAN(Attack-Inspired GAN)と呼ばれる新たなフレームワークを提案する。
広範な実験を通じて、AI-GANは攻撃の成功率が高く、既存の手法よりも優れ、生成時間を大幅に短縮する。
論文 参考訳(メタデータ) (2021-11-19T05:54:14Z) - 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) - Deep Transfer Learning Based Intrusion Detection System for Electric
Vehicular Networks [0.0]
IVNデバイスのリスクは、複雑なデータ集約アーキテクチャのため、依然として安全で脆弱である。
従来の機械学習ベースのIDSは、現在の環境のセキュリティ要件に対処するためにアップデートする必要がある。
本論文では,IVN の深層移動学習に基づく IDS モデルを提案する。
論文 参考訳(メタデータ) (2021-07-12T03:06:49Z) - 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) - Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal
Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
個人再識別のための教師なし領域適応手法を提案する。
実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
論文 参考訳(メタデータ) (2020-01-14T17:43:52Z)
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。