論文の概要: Block Hunter: Federated Learning for Cyber Threat Hunting in
Blockchain-based IIoT Networks
- arxiv url: http://arxiv.org/abs/2204.09829v1
- Date: Thu, 21 Apr 2022 00:45:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 16:21:58.984811
- Title: Block Hunter: Federated Learning for Cyber Threat Hunting in
Blockchain-based IIoT Networks
- Title(参考訳): Block Hunter: ブロックチェーンベースのIIoTネットワークにおけるサイバー脅威追跡のためのフェデレートラーニング
- Authors: Abbas Yazdinejad (Cyber Science Lab, School of Computer science,
University of Guelph, ON, Canada), Ali Dehghantanha (Cyber Science Lab,
School of Computer science, University of Guelph, ON, Canada), Reza M. Parizi
(College of Computing and Software Engineering, Kennesaw State University,
GA, USA), Mohammad Hammoudeh (Information & Computer Science Department, King
Fahd University of Petroleum & Minerals, Saudi Arabia), Hadis Karimipour
(School of Engineering, Department of Electrical and Software Engineering at
the University of Calgary, Alberta, Canada) and Gautam Srivastava (Department
of Math and Computer Science, Brandon University, Manitoba, Canada as well as
with the Research Centre for Interneural Computing, China Medical University,
Taichung)
- Abstract要約: We use Federated Learning (FL) to build a threat hunting framework called Block Hunter to automatically hunt for attack in IIoT network。
以上の結果から,Block Hunterの異常な動作を高精度かつ最小限の帯域幅で検出する効果が証明された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Nowadays, blockchain-based technologies are being developed in various
industries to improve data security. In the context of the Industrial Internet
of Things (IIoT), a chain-based network is one of the most notable applications
of blockchain technology. IIoT devices have become increasingly prevalent in
our digital world, especially in support of developing smart factories.
Although blockchain is a powerful tool, it is vulnerable to cyber attacks.
Detecting anomalies in blockchain-based IIoT networks in smart factories is
crucial in protecting networks and systems from unexpected attacks. In this
paper, we use Federated Learning (FL) to build a threat hunting framework
called Block Hunter to automatically hunt for attacks in blockchain-based IIoT
networks. Block Hunter utilizes a cluster-based architecture for anomaly
detection combined with several machine learning models in a federated
environment. To the best of our knowledge, Block Hunter is the first federated
threat hunting model in IIoT networks that identifies anomalous behavior while
preserving privacy. Our results prove the efficiency of the Block Hunter in
detecting anomalous activities with high accuracy and minimum required
bandwidth.
- Abstract(参考訳): 現在、ブロックチェーンベースの技術は、データセキュリティを改善するために様々な業界で開発されている。
産業用モノのインターネット(Industrial Internet of Things, IIoT)の文脈では、ブロックチェーン技術の最も注目すべき応用の1つがチェーンベースのネットワークである。
IIoTデバイスは、デジタル世界でますます普及し、特にスマートファクトリの開発を支援している。
ブロックチェーンは強力なツールだが、サイバー攻撃に対して脆弱である。
スマートファクトリにおけるブロックチェーンベースのIIoTネットワークの異常検出は、ネットワークやシステムを予期しない攻撃から守る上で極めて重要である。
本稿では,federated learning(fl)を用いてblock hunterと呼ばれる脅威追跡フレームワークを構築し,ブロックチェーンベースのiiotネットワークにおける攻撃を自動探索する。
block hunterはクラスタベースのアーキテクチャを使用して、フェデレーション環境で複数の機械学習モデルを組み合わせた異常検出を行う。
私たちの知る限り、block hunterは、プライバシーを保ちながら異常な行動を識別するiiotネットワークにおける、最初の連合脅威追跡モデルです。
その結果, ブロックハンターは, 高精度かつ最小の帯域幅で異常な活動を検出するのに有効であることがわかった。
関連論文リスト
- 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) - Tikuna: An Ethereum Blockchain Network Security Monitoring System [0.0]
本稿では、ブロックチェーン、特にノード間の通信と情報の共有を可能にするP2Pネットワークにおける最下位層を保護することに焦点を当てる。
P2Pネットワーク層は、Distributed Denial of Service(DDoS)、日食攻撃、Sybil攻撃など、いくつかの種類の攻撃に対して脆弱である可能性がある。
ブロックチェーンP2Pネットワークに対する潜在的な攻撃を監視し、検出するオープンソースツールであるTikunaを、早期に紹介する。
論文 参考訳(メタデータ) (2023-10-13T15:39:50Z) - Protecting the Decentralized Future: An Exploration of Common Blockchain
Attacks and their Countermeasures [1.1499361198674167]
サイバー犯罪者を標的に、セキュリティ上の脅威が増えている。
この研究は、ブロックチェーン攻撃の緩和に関する詳細な分析を提供することを目的としている。
この調査は、ブロックチェーンアプリケーションの特定のニーズを考慮に入れることがいかに重要かも強調している。
論文 参考訳(メタデータ) (2023-06-20T20:56:06Z) - Graph Neural Networks Enhanced Smart Contract Vulnerability Detection of
Educational Blockchain [4.239144309557045]
本稿では,教育ブロックチェーンにおけるスマートコントラクトに対するグラフニューラルネットワークによる脆弱性検出を提案する。
実験の結果,提案手法はスマートコントラクトの脆弱性検出に有効であることがわかった。
論文 参考訳(メタデータ) (2023-03-08T09:58:58Z) - Collaborative Learning for Cyberattack Detection in Blockchain Networks [25.48062860621572]
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。
論文 参考訳(メタデータ) (2022-03-21T15:55:41Z) - Fixed Points in Cyber Space: Rethinking Optimal Evasion Attacks in the
Age of AI-NIDS [70.60975663021952]
ネットワーク分類器に対するブラックボックス攻撃について検討する。
我々は、アタッカー・ディフェンダーの固定点がそれ自体、複雑な位相遷移を持つ一般サムゲームであると主張する。
攻撃防御力学の研究には連続的な学習手法が必要であることを示す。
論文 参考訳(メタデータ) (2021-11-23T23:42:16Z) - Quantum-resistance in blockchain networks [46.63333997460008]
本稿では、ブロックチェーンネットワークにおける量子脅威を特定し、排除するために、米国間開発銀行、IDBラボ、LACChain、量子コンピューティング(CQC)、Tecnologicalo de Monterreyによる研究について述べる。
量子コンピューティングの出現は、非量子耐性暗号アルゴリズムを利用するため、インターネットプロトコルやブロックチェーンネットワークを脅かす。
論文 参考訳(メタデータ) (2021-06-11T23:39:25Z) - ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep
Neural Network and Transfer Learning [80.85273827468063]
既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。
スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。
ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
論文 参考訳(メタデータ) (2021-03-23T15:04:44Z) - Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。
異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。
Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
論文 参考訳(メタデータ) (2020-06-18T14:50:08Z) - Scalable and Secure Architecture for Distributed IoT Systems [1.4209473797379666]
人工知能(AI)とブロックチェーン技術を使用して,新たなセキュリティ機能を備えたIoTアーキテクチャの改善を提案する。
ゲートウェイレベルでAIコンポーネントを使用してIoTシステムのセキュリティを強化し、マシンラーニング技術を使用して、疑わしい活動、マルウェア、サイバー攻撃を検出し、分類します。
論文 参考訳(メタデータ) (2020-04-20T23:50:43Z) - Resource Management for Blockchain-enabled Federated Learning: A Deep
Reinforcement Learning Approach [54.29213445674221]
Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。
BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。
我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
論文 参考訳(メタデータ) (2020-04-08T16:29:19Z)
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。