Fugu-MT 論文翻訳(概要): LBDMIDS: LSTM Based Deep Learning Model for Intrusion Detection Systems for IoT Networks

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

WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
論文参考訳（メタデータ） (2024-11-11T02:48:00Z)
C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
論文参考訳（メタデータ） (2024-08-30T15:39:37Z)
Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文参考訳（メタデータ） (2024-08-16T12:40:01Z)
Extending Network Intrusion Detection with Enhanced Particle Swarm Optimization Techniques [0.0]
本研究では,機械学習(ML)と深層学習(DL)技術を組み合わせて,ネットワーク侵入検知システム(NIDS)を改善する方法について検討する。この研究は、CSE-CIC-IDS 2018とLITNET-2020データセットを使用して、MLメソッド(決定木、ランダムフォレスト、XGBoost)とDLモデル(CNN、RNN、DNN)を主要なパフォーマンス指標と比較する。 Decision Treeモデルでは、EPSO(Enhanced Particle Swarm Optimization)を微調整して、ネットワーク違反を効果的に検出する能力を実証した。
論文参考訳（メタデータ） (2024-08-14T17:11:36Z)
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)
Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文参考訳（メタデータ） (2024-02-28T08:34:23Z)
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)
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)
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)
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)

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。