Fugu-MT 論文翻訳(概要): Dependable Intrusion Detection System for IoT: A Deep Transfer Learning-based Approach

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

A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
論文参考訳（メタデータ） (2024-06-18T08:42:51Z)
Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文参考訳（メタデータ） (2024-06-04T20:36:21Z)
Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
論文参考訳（メタデータ） (2024-04-29T21:26:18Z)
Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
論文参考訳（メタデータ） (2024-03-16T16:45:28Z)
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)
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)
RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
論文参考訳（メタデータ） (2022-08-27T14:50:00Z)
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)
Pervasive AI for IoT Applications: Resource-efficient Distributed Artificial Intelligence [45.076180487387575]
人工知能(AI)は、さまざまなモノのインターネット(IoT)アプリケーションやサービスにおいて大きなブレークスルーを目の当たりにした。これは、感覚データへの容易なアクセスと、リアルタイムデータストリームのゼッタバイト(ZB)を生成する広帯域/ユビキタスデバイスの巨大なスケールによって駆動される。広範コンピューティングと人工知能の合流により、Pervasive AIはユビキタスIoTシステムの役割を拡大した。
論文参考訳（メタデータ） (2021-05-04T23:42:06Z)
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。