Fugu-MT 論文翻訳(概要): Intrusion Detection in Internet of Things using Convolutional Neural Networks

論文の概要: Intrusion Detection in Internet of Things using Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2211.10062v1
Date: Fri, 18 Nov 2022 07:27:07 GMT
ステータス: 処理完了
システム内更新日: 2022-11-21 14:35:02.603158
Title: Intrusion Detection in Internet of Things using Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークを用いたモノのインターネットへの侵入検出
Authors: Martin Kodys, Zhi Lu, Kar Wai Fok, Vrizlynn L. L. Thing
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.718295605140562
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Internet of Things (IoT) has become a popular paradigm to fulfil needs of the industry such as asset tracking, resource monitoring and automation. As security mechanisms are often neglected during the deployment of IoT devices, they are more easily attacked by complicated and large volume intrusion attacks using advanced techniques. Artificial Intelligence (AI) has been used by the cyber security community in the past decade to automatically identify such attacks. However, deep learning methods have yet to be extensively explored for Intrusion Detection Systems (IDS) specifically for IoT. Most recent works are based on time sequential models like LSTM and there is short of research in CNNs as they are not naturally suited for this problem. In this article, we propose a novel solution to the intrusion attacks against IoT devices using CNNs. The data is encoded as the convolutional operations to capture the patterns from the sensors data along time that are useful for attacks detection by CNNs. The proposed method is integrated with two classical CNNs: ResNet and EfficientNet, where the detection performance is evaluated. The experimental results show significant improvement in both true positive rate and false positive rate compared to the baseline using LSTM.
Abstract（参考訳）: IoT(Internet of Things)は,アセットトラッキングやリソース監視,自動化といった業界のニーズを満たすための,一般的なパラダイムになっています。セキュリティメカニズムはIoTデバイスのデプロイ中に無視されることが多いため、高度な技術を使用した複雑で大規模な侵入攻撃によって、より容易に攻撃される。人工知能(AI)は、サイバーセキュリティコミュニティによって、このような攻撃を自動的に識別するために過去10年間使われてきた。しかし、IoTに特化した侵入検知システム(IDS)については、ディープラーニング手法はまだ広く研究されていない。最近の研究はLSTMのような時系列モデルに基づいており、この問題に自然に適さないため、CNNでは研究が不足している。本稿では,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エンコードされ、cnnによる攻撃検出に有用な時間に沿ってセンサーデータからパターンをキャプチャする。提案手法は,検出性能を評価するResNetとEfficientNetの2つの古典的CNNと統合されている。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。

関連論文リスト

Enhanced Hybrid Deep Learning Approach for Botnet Attacks Detection in IoT Environment [0.5384718724090648]
BotnetはIoTデバイスやシステムに対する信頼の喪失を攻撃し、セキュリティ、信頼性、整合性への信頼を損なう。ディープラーニング技術は、データの複雑なパターンを分析して学習する能力により、ボットネット攻撃の検出を大幅に強化した。本研究では、ボットネット攻撃検出のためのディープ畳み込みニューラルネットワーク、Bi-Directional Long Short-Term Memory(Bi-LSTM)、Bi-Directional Gated Recurrent Unit(Bi-GRU)、Recurrent Neural Networks(RNN)の積み重ねを提案した。
論文参考訳（メタデータ） (2025-02-10T03:59:27Z)
MDHP-Net: Detecting Injection Attacks on In-vehicle Network using Multi-Dimensional Hawkes Process and Temporal Model [44.356505647053716]
本稿では、インジェクションアタックとして知られる特定のタイプのサイバーアタックについて考察する。これらのインジェクション攻撃は時間の経過とともに効果があり、徐々にネットワークトラフィックを操作し、車両の正常な機能を破壊している。本稿では,MDHP-LSTMブロックに最適なMDHPパラメータを組み込んだインジェクション攻撃検出器MDHP-Netを提案する。
論文参考訳（メタデータ） (2024-11-15T15:05:01Z)
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)
Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network [0.0]
モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。 IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
論文参考訳（メタデータ） (2022-07-16T11:12:32Z)
Collaborative adversary nodes learning on the logs of IoT devices in an IoT network [0.0]
データの観点からIoTセキュリティのための改良されたアプローチを提案する。 Recurrent Neural Network (RNN) を用いたAdLIoTLogモデルの提案その結果,AdLIoTLogモデルの予測性能は攻撃の有無で3～4%低下した。
論文参考訳（メタデータ） (2021-12-22T02:56:22Z)
TANTRA: Timing-Based Adversarial Network Traffic Reshaping Attack [46.79557381882643]
本稿では,TANTRA(Adversarial Network Traffic Reshaping Attack)を提案する。我々の回避攻撃は、ターゲットネットワークの良性パケット間の時間差を学習するために訓練された長い短期記憶(LSTM)ディープニューラルネットワーク(DNN)を利用する。 TANTRAは、ネットワーク侵入検出システム回避の平均成功率99.99%を達成します。
論文参考訳（メタデータ） (2021-03-10T19:03:38Z)
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)
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)
Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
論文参考訳（メタデータ） (2020-03-13T15:34:33Z)
Pelican: A Deep Residual Network for Network Intrusion Detection [7.562843347215287]
我々は、特別に設計された残留ブロックの上に構築されたディープニューラルネットワークであるペリカンを提案する。ペリカンは、非常に低い誤報率を維持しながら、高い攻撃検出性能を達成することができる。
論文参考訳（メタデータ） (2020-01-19T05:07:48Z)
Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。