Fugu-MT 論文翻訳(概要): Generative Adversarial Learning for Trusted and Secure Clustering in Industrial Wireless Sensor Networks

論文の概要: Generative Adversarial Learning for Trusted and Secure Clustering in Industrial Wireless Sensor Networks

arxiv url: http://arxiv.org/abs/2210.07707v1
Date: Fri, 14 Oct 2022 11:20:08 GMT
ステータス: 処理完了
システム内更新日: 2022-10-17 17:53:35.281407
Title: Generative Adversarial Learning for Trusted and Secure Clustering in Industrial Wireless Sensor Networks
Title（参考訳）: 産業用無線センサネットワークにおける信頼クラスタリングとセキュアクラスタリングのための生成的逆学習
Authors: Liu Yang, Simon X. Yang, Yun Li, Yinzhi Lu, Tan Guo
Abstract要約: 本稿では,産業用無線センサネットワーク(IWSN)のためのGANに基づく信頼管理機構を提案する。検出率は96%、偽陽性率は8%以下である。
参考スコア（独自算出の注目度）: 11.56611183738877
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional machine learning techniques have been widely used to establish the trust management systems. However, the scale of training dataset can significantly affect the security performances of the systems, while it is a great challenge to detect malicious nodes due to the absence of labeled data regarding novel attacks. To address this issue, this paper presents a generative adversarial network (GAN) based trust management mechanism for Industrial Wireless Sensor Networks (IWSNs). First, type-2 fuzzy logic is adopted to evaluate the reputation of sensor nodes while alleviating the uncertainty problem. Then, trust vectors are collected to train a GAN-based codec structure, which is used for further malicious node detection. Moreover, to avoid normal nodes being isolated from the network permanently due to error detections, a GAN-based trust redemption model is constructed to enhance the resilience of trust management. Based on the latest detection results, a trust model update method is developed to adapt to the dynamic industrial environment. The proposed trust management mechanism is finally applied to secure clustering for reliable and real-time data transmission, and simulation results show that it achieves a high detection rate up to 96%, as well as a low false positive rate below 8%.
Abstract（参考訳）: 従来の機械学習技術は、信頼管理システムを確立するために広く使われている。しかし、データセットのトレーニングの規模はシステムのセキュリティ性能に大きく影響するが、新しい攻撃に関するラベル付きデータがないため、悪意のあるノードを検出することは大きな課題である。本稿では,産業用無線センサネットワーク (iwsns) のための,gan(generative adversarial network)ベースの信頼管理機構を提案する。まず2型ファジィ論理を用いてセンサノードの評価を行い,不確実性を軽減した。そして、信頼ベクトルを収集し、さらに悪意のあるノード検出に使用されるGANベースのコーデック構造をトレーニングする。さらに,エラー検出によるネットワークからの正常ノードの分離を回避するため,信頼管理のレジリエンスを高めるため,GANベースの信頼償還モデルを構築した。最新の検出結果に基づいて,動的産業環境に適応する信頼モデル更新手法を開発した。提案した信頼管理機構は,信頼性の高いリアルタイムデータ伝送のための安全なクラスタリングに適用され,シミュレーションの結果,高い検出率を最大96%,低い偽陽性率を8%未満で達成できた。

関連論文リスト

TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support [59.41529066449414]
本稿では,信頼度を考慮した信頼度評価モデルであるTrustGuardを提案する。 TrustGuardは、スナップショット入力層、空間集約層、時間集約層、予測層を含む階層アーキテクチャで設計されている。実験により、TrustGuardは、シングルタイムスロットとマルチタイムスロットの信頼予測に関して、最先端のGNNベースの信頼評価モデルより優れていることが示された。
論文参考訳（メタデータ） (2023-06-23T07:39:12Z)
KGTrust: Evaluating Trustworthiness of SIoT via Knowledge Enhanced Graph Neural Networks [63.531790269009704]
ソーシャル・インターネット・オブ・モノ(Social Internet of Things, SIoT)は、スマート・オブジェクト(物)にソーシャルネットワークの概念を注入する、有望で新興のパラダイムである。リスクと不確実性のため、解決すべき重要かつ緊急の問題は、SIoT内で信頼性の高い関係、すなわち信頼評価を確立することである。本稿では,SIoTにおける信頼度向上のための知識強化グラフニューラルネットワーク(KGTrust)を提案する。
論文参考訳（メタデータ） (2023-02-22T14:24:45Z)
Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。 Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-02-18T18:00:05Z)
An Evolutionary Game based Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Wireless Sensor Networks [8.611020067829509]
伝達証拠を信頼値に変換するファジィ信頼評価法を提案する。 K平均に基づく外乱検出手法を提案し,さらに多くの信頼値を解析した。進化ゲームに基づくセキュアクラスタリングプロトコルが提示され,セキュリティ保証と省エネのトレードオフを実現する。
論文参考訳（メタデータ） (2022-07-21T03:24:35Z)
A Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Industrial Wireless Sensor Networks [9.238298040561173]
本稿では,ファジィ信頼評価と外乱検出を備えたセキュアクラスタリングプロトコルを提案する。実験により、我々のプロトコルは、内部の悪意のあるノードや侵害されたノードからの攻撃に対して、ネットワークを効果的に防御できることを確認した。
論文参考訳（メタデータ） (2022-07-20T14:23:29Z)
Can pruning improve certified robustness of neural networks? [106.03070538582222]
ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
論文参考訳（メタデータ） (2022-06-15T05:48:51Z)
Provably Robust Detection of Out-of-distribution Data (almost) for free [124.14121487542613]
ディープニューラルネットワークは、アウト・オブ・ディストリビューション(OOD)データに対する高い過度な予測を生成することが知られている。本稿では,認証可能なOOD検出器を標準分類器と組み合わせてOOD認識分類器を提案する。このようにして、我々は2つの世界のベストを達成している。OOD検出は、分布内に近いOODサンプルであっても、予測精度を損なうことなく、非操作型OODデータに対する最先端のOOD検出性能に近接する。
論文参考訳（メタデータ） (2021-06-08T11:40:49Z)
Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文参考訳（メタデータ） (2021-02-23T20:59:30Z)
Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文参考訳（メタデータ） (2020-12-10T23:28:36Z)
Grasping Detection Network with Uncertainty Estimation for Confidence-Driven Semi-Supervised Domain Adaptation [17.16216430459064]
本稿では,信頼駆動型半教師付き学習を用いた新たな把握検出ネットワークを通じて,ドメイン適応が容易なアプローチを提案する。提案した把握検出ネットワークは,特徴ピラミッドネットワーク(FPN)を利用した予測不確実性推定機構を特に提供し,平均教師半教師学習は,そのような不確実性情報を利用して,信頼度の高い非競合データに対してのみ整合性損失を強調する。提案したネットワークは,コーネル把握データセット上で高い成功率を達成できることを示すとともに,極めて限られたデータでドメイン適応を行う場合,信頼駆動型平均教師は,元の平均教師と直接訓練を10%以上向上させる。
論文参考訳（メタデータ） (2020-08-20T07:42:45Z)

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。