論文の概要: LBDMIDS: LSTM Based Deep Learning Model for Intrusion Detection Systems
for IoT Networks
- arxiv url: http://arxiv.org/abs/2207.00424v1
- Date: Thu, 23 Jun 2022 11:34:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-10 12:00:21.270191
- Title: LBDMIDS: LSTM Based Deep Learning Model for Intrusion Detection Systems
for IoT Networks
- Title(参考訳): LBDMIDS:IoTネットワークへの侵入検知システムのためのLSTMに基づくディープラーニングモデル
- Authors: Kumar Saurabh, Saksham Sood, P. Aditya Kumar, Uphar Singh, Ranjana
Vyas, O.P. Vyas, Rahamatullah Khondoker
- Abstract要約: 本稿では,Long Short Term Memory(LSTM)オートエンコーダと13機能Deep Neural Network(DNN)モデルを開発した。
我々はLSTMのバリエーションであるLSTMと双方向LSTMを積み重ねたNIDSモデルを開発し、UNSW_NB15とBoT-IoTデータセットでそれらの性能を検証した。
- 参考スコア(独自算出の注目度): 0.12314765641075436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the recent years, we have witnessed a huge growth in the number of
Internet of Things (IoT) and edge devices being used in our everyday
activities. This demands the security of these devices from cyber attacks to be
improved to protect its users. For years, Machine Learning (ML) techniques have
been used to develop Network Intrusion Detection Systems (NIDS) with the aim of
increasing their reliability/robustness. Among the earlier ML techniques DT
performed well. In the recent years, Deep Learning (DL) techniques have been
used in an attempt to build more reliable systems. In this paper, a Deep
Learning enabled Long Short Term Memory (LSTM) Autoencoder and a 13-feature
Deep Neural Network (DNN) models were developed which performed a lot better in
terms of accuracy on UNSW-NB15 and Bot-IoT datsets. Hence we proposed LBDMIDS,
where we developed NIDS models based on variants of LSTMs namely, stacked LSTM
and bidirectional LSTM and validated their performance on the UNSW\_NB15 and
BoT\-IoT datasets. This paper concludes that these variants in LBDMIDS
outperform classic ML techniques and perform similarly to the DNN models that
have been suggested in the past.
- Abstract(参考訳): 近年では,IoT(Internet of Things,モノのインターネット)やエッジデバイスが日常的な活動で広く利用されているのを目の当たりにしています。
これにより、これらのデバイスのセキュリティをサイバー攻撃から保護するために改善する必要がある。
機械学習(ML)技術は,ネットワーク侵入検知システム(NIDS)の開発に長年使われてきた。
初期のMLテクニックの中で、DTはうまく機能した。
近年、より信頼性の高いシステムを構築するために、ディープラーニング(DL)技術が使われています。
本論文では,UNSW-NB15 と Bot-IoT のダットセットの精度向上を目的とした,Long Short Term Memory (LSTM) Autoencoder と13-Feature Deep Neural Network (DNN) モデルを開発した。
そこでLBDMIDSを提案し,LSTMの変種,すなわちLSTMと双方向LSTMを積み重ねたNIDSモデルを開発し,UNSW\_NB15およびBoT\-IoTデータセット上での性能を検証した。
本稿では,LBDMIDSにおけるこれらの変種が従来のML技術より優れており,過去に提案されたDNNモデルと類似していることを示す。
関連論文リスト
- A Simple Framework to Enhance the Adversarial Robustness of Deep
Learning-based Intrusion Detection System [5.189166936995511]
敵攻撃に対するIDSの堅牢性を高める新しいIDSアーキテクチャを提案する。
提案したIDSは、DLベースのIDS、対向型サンプル検出器、MLベースのIDSの3つのコンポーネントから構成される。
本実験では,敵攻撃を受けると,IDSの予測性能が大幅に向上することが確認された。
論文 参考訳(メタデータ) (2023-12-06T02:33:12Z) - Revolutionizing Cyber Threat Detection with Large Language Models: A
privacy-preserving BERT-based Lightweight Model for IoT/IIoT Devices [3.340416780217405]
本稿では,インターネットネットワークにおけるサイバー脅威検出にBERT(Bidirectional Representations from Transformers)モデルを活用する,新たなアーキテクチャであるSecurityBERTを提案する。
我々の研究は、SecurityBERTがサイバー脅威検出において、畳み込みニューラルネットワーク(CNNIoT)やリカレントニューラルネットワーク(IoTRNN)など、従来の機械学習(ML)とディープラーニング(DL)の手法より優れていることを示した。
SecurityBERTは、14の異なる攻撃タイプを特定することで、98.2%の全体的な精度を達成し、ハイブリッドソリューションによって設定された過去の記録を上回った。
論文 参考訳(メタデータ) (2023-06-25T15:04:21Z) - Intrusion Detection in Internet of Things using Convolutional Neural
Networks [4.718295605140562]
CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。
データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。
実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
論文 参考訳(メタデータ) (2022-11-18T07:27:07Z) - Training Spiking Neural Networks with Local Tandem Learning [96.32026780517097]
スパイキングニューラルネットワーク(SNN)は、前者よりも生物学的に可塑性でエネルギー効率が高いことが示されている。
本稿では,局所タンデム学習(Local Tandem Learning, LTL)と呼ばれる一般化学習規則を提案する。
CIFAR-10データセット上の5つのトレーニングエポック内に高速なネットワーク収束を示すとともに,計算複雑性が低い。
論文 参考訳(メタデータ) (2022-10-10T10:05:00Z) - Bayesian Neural Network Language Modeling for Speech Recognition [59.681758762712754]
長期記憶リカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端のニューラルネットワーク言語モデル(NNLM)は非常に複雑になりつつある。
本稿では,LSTM-RNN と Transformer LM の基盤となる不確実性を考慮するために,ベイズ学習フレームワークの全体構造を提案する。
論文 参考訳(メタデータ) (2022-08-28T17:50:19Z) - A Novel Approach To Network Intrusion Detection System Using Deep
Learning For Sdn: Futuristic Approach [0.0]
Software-Defined Networking (SDN)は、従来のネットワークのアーキテクチャを変更する次世代である。
本研究では,NIDS-DL(Network Intrusion Detection System-Deep Learning Module)アプローチを提案する。
提案手法はバイナリ分類と攻撃検出に有効であった。
論文 参考訳(メタデータ) (2022-08-03T14:23:16Z) - Deep Reinforcement Learning Assisted Federated Learning Algorithm for
Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。
IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。
本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文 参考訳(メタデータ) (2022-02-03T07:12:36Z) - Bridging the gap to real-world for network intrusion detection systems
with data-centric approach [1.4699455652461724]
本稿では、NIDS研究の現在の限界に対処するために、体系的なデータ中心のアプローチを提案する。
最新のネットワークトラフィックとアタックで構成されたNIDSデータセットを生成し、ラベリングプロセスは設計によって統合される。
論文 参考訳(メタデータ) (2021-10-25T04:50:12Z) - Deep Multi-Task Learning for Cooperative NOMA: System Design and
Principles [52.79089414630366]
我々は,近年のディープラーニング(DL)の進歩を反映した,新しいディープ・コラボレーティブなNOMAスキームを開発する。
我々は,システム全体を包括的に最適化できるように,新しいハイブリッドカスケードディープニューラルネットワーク(DNN)アーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-07-27T12:38:37Z) - Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G
Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。
このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文 参考訳(メタデータ) (2020-02-22T14:38:11Z) - The Microsoft Toolkit of Multi-Task Deep Neural Networks for Natural
Language Understanding [97.85957811603251]
MT-DNNはオープンソースの自然言語理解(NLU)ツールキットであり、研究者や開発者がカスタマイズされたディープラーニングモデルを訓練しやすくする。
PyTorchとTransformersをベースとして開発されたMT-DNNは、幅広いNLUタスクの迅速なカスタマイズを容易にするように設計されている。
MT-DNNのユニークな特徴は、対戦型マルチタスク学習パラダイムを用いた堅牢で移動可能な学習のサポートである。
論文 参考訳(メタデータ) (2020-02-19T03:05:28Z)
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。