Fugu-MT 論文翻訳(概要): An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks

論文の概要: An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks

arxiv url: http://arxiv.org/abs/2204.13814v1
Date: Thu, 28 Apr 2022 23:10:47 GMT
ステータス: 処理完了
システム内更新日: 2022-05-02 15:05:32.077909
Title: An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks
Title（参考訳）: 無線センサネットワークにおける攻撃検知のためのオンラインアンサンブル学習モデル
Authors: Hiba Tabbaa, Samir Ifzarne and Imad Hafidi
Abstract要約: 我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
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: In today's modern world, the usage of technology is unavoidable and the rapid advances in the Internet and communication fields have resulted to expand the Wireless Sensor Network (WSN) technology. A huge number of sensing devices collect and/or generate numerous sensory data throughout time for a wide range of fields and applications. However, WSN has been proven to be vulnerable to security breaches, the harsh and unattended deployment of these networks, combined with their constrained resources and the volume of data generated introduce a major security concern. WSN applications are extremely critical, it is essential to build reliable solutions that involve fast and continuous mechanisms for online data stream analysis enabling the detection of attacks and intrusions. In this context, our aim is to develop an intelligent, efficient, and updatable intrusion detection system by applying an important machine learning concept known as ensemble learning in order to improve detection performance. Although ensemble models have been proven to be useful in offline learning, they have received less attention in streaming applications. In this paper, we examine the application of different homogeneous and heterogeneous online ensembles in sensory data analysis, on a specialized wireless sensor network-detection system (WSN-DS) dataset in order to classify four types of attacks: Blackhole attack, Grayhole, Flooding, and Scheduling among normal network traffic. Among the proposed novel online ensembles, both the heterogeneous ensemble consisting of an Adaptive Random Forest (ARF) combined with the Hoeffding Adaptive Tree (HAT) algorithm and the homogeneous ensemble HAT made up of 10 models achieved higher detection rates of 96.84% and 97.2%, respectively. The above models are efficient and effective in dealing with concept drift, while taking into account the resource constraints of WSNs.
Abstract（参考訳）: 現代の世界では、技術の使用は避けられず、インターネットや通信分野の急速な進歩により、無線センサネットワーク(WSN)技術が拡張されている。多数のセンシングデバイスが、様々な分野や応用のために、時間を通じて多数のセンシングデータを収集および/または生成する。しかし、WSNはセキュリティ侵害に弱いことが証明されており、これらのネットワークの厳しい配置と制約されたリソースと、生成されたデータの量を組み合わせることで、大きなセキュリティ上の懸念が生じている。 WSNアプリケーションは極めて重要であり、攻撃や侵入の検出を可能にするオンラインデータストリーム分析の高速かつ継続的なメカニズムを含む信頼性の高いソリューションを構築することが不可欠である。そこで本研究では,アンサンブル学習と呼ばれる重要な機械学習概念を応用し,インテリジェントで効率的かつ高効率な侵入検知システムを開発することを目的としている。アンサンブルモデルはオフライン学習に有用であることが証明されているが、ストリーミングアプリケーションではあまり注目されていない。本稿では,無線センサネットワーク検出システム(wsn-ds)データセットを用いたセンサデータ解析における,均質で異質なオンラインアンサンブルの応用について検討し,ブラックホール攻撃,グレイホール,フラッディング,および通常のネットワークトラフィック間のスケジューリングの4種類の攻撃を分類する。提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。上記のモデルは、wsnsのリソース制約を考慮しつつ、概念ドリフトに対処する上で効率的かつ効果的である。

関連論文リスト

Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
論文参考訳（メタデータ） (2024-09-27T11:20:20Z)
MLSTL-WSN: Machine Learning-based Intrusion Detection using SMOTETomek in WSNs [3.887356044145916]
無線センサネットワーク(WSN)は、静止センサーと移動センサの両方を含むインフラとして重要な役割を担っている。既存のWSNの侵入検知方法は、低検出率、計算オーバーヘッド、誤警報などの問題に遭遇する。本稿では,機械学習(ML)技術とSMOTE-TomekLink(Synthetic Minority Oversampling Technique Tomek Link)アルゴリズムを融合した,革新的な侵入検出手法を提案する。このブレンドはマイノリティなインスタンスを合成し、Tomekリンクを排除し、結果としてバランスの取れたデータセットがWSNの検出精度を大幅に向上する。
論文参考訳（メタデータ） (2024-02-17T18:04:08Z)
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)
Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
論文参考訳（メタデータ） (2023-12-08T13:50:30Z)
RIDE: Real-time Intrusion Detection via Explainable Machine Learning Implemented in a Memristor Hardware Architecture [24.824596231020585]
本稿では、パケットの任意の長さのシーケンスをよりコンパクトな結合機能埋め込みに統合するために、リカレントオートエンコーダを利用するパケットレベルのネットワーク侵入検出ソリューションを提案する。提案手法は,パケットレベルで高い検出精度で,極めて効率的かつリアルタイムな解が得られることを示す。
論文参考訳（メタデータ） (2023-11-27T17:30:19Z)
An Efficient One-Class SVM for Anomaly Detection in the Internet of Things [25.78558553080511]
安全なモノのインターネット(IoT)デバイスは、重要なインフラストラクチャとインターネット全体に重大な脅威をもたらします。これらのデバイスから異常な行動を検出することは依然として重要ですワンクラスサポートベクターマシン(OCSVM)は、ノベルティ検出のための最先端のアプローチの1つです。
論文参考訳（メタデータ） (2021-04-22T15:59:56Z)
Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
論文参考訳（メタデータ） (2020-09-25T17:48:43Z)
ESMFL: Efficient and Secure Models for Federated Learning [28.953644581089495]
本稿では,Intel Software Guard Extensions上で運用されるフェデレーション学習分散システムのプライバシ保護手法を提案する。我々は、スペーシングにより通勤コストを削減し、異なるモデルアーキテクチャで妥当な精度を達成することができる。
論文参考訳（メタデータ） (2020-09-03T18:27:32Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文参考訳（メタデータ） (2020-05-19T13:30:30Z)
Machine Learning based Anomaly Detection for 5G Networks [0.0]
本稿では,SDS(Software Defined Security)を,自動化,柔軟性,スケーラブルなネットワーク防御システムとして提案する。 SDSは機械学習の現在の進歩を活用して、NAS(Neural Architecture Search)を使用してCNN(Convolutional Neural Network)を設計し、異常なネットワークトラフィックを検出する。
論文参考訳（メタデータ） (2020-03-07T00:17:08Z)

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。