論文の概要: Efficient Attack Detection in IoT Devices using Feature Engineering-Less Machine Learning

• arxiv url: http://arxiv.org/abs/2301.03532v1
• Date: Mon, 9 Jan 2023 17:26:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 16:25:57.466704
• Title: Efficient Attack Detection in IoT Devices using Feature Engineering-Less Machine Learning
• Title（参考訳）: Feature Engineering-Less Machine Learning を用いたIoTデバイスの効率的な攻撃検出
• Authors: Arshiya Khan, Chase Cotton
• Abstract要約: 本研究では,ディープラーニングパイプラインの機能工学をバイパスし,生パケットデータを入力として利用することにより,障壁を克服する方法を提案する。 我々は,IoTデバイス上でマルウェア検出を行う機能エンジニアリングレス機械学習(ML)プロセスを導入する。 提案するモデルである"Feature Engineering-less-ML (FEL-ML)"は、"Engineered"機能に関する余分な計算を不要とする軽量な検出アルゴリズムである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Through the generalization of deep learning, the research community has addressed critical challenges in the network security domain, like malware identification and anomaly detection. However, they have yet to discuss deploying them on Internet of Things (IoT) devices for day-to-day operations. IoT devices are often limited in memory and processing power, rendering the compute-intensive deep learning environment unusable. This research proposes a way to overcome this barrier by bypassing feature engineering in the deep learning pipeline and using raw packet data as input. We introduce a feature engineering-less machine learning (ML) process to perform malware detection on IoT devices. Our proposed model, "Feature engineering-less-ML (FEL-ML)," is a lighter-weight detection algorithm that expends no extra computations on "engineered" features. It effectively accelerates the low-powered IoT edge. It is trained on unprocessed byte-streams of packets. Aside from providing better results, it is quicker than traditional feature-based methods. FEL-ML facilitates resource-sensitive network traffic security with the added benefit of eliminating the significant investment by subject matter experts in feature engineering.
• Abstract（参考訳）: ディープラーニングの一般化を通じて、研究コミュニティは、マルウェアの識別や異常検出など、ネットワークセキュリティ領域における重要な課題に対処してきた。 しかし、日々の運用のためにIoT(Internet of Things)デバイスにそれらを展開することについてはまだ議論されていない。 iotデバイスは、しばしばメモリと処理能力に制限があり、計算集約的なディープラーニング環境は使用できない。 本研究では,ディープラーニングパイプラインの機能工学をバイパスし,生パケットデータを入力として利用することにより,この障壁を克服する方法を提案する。 我々は,IoTデバイス上でマルウェア検出を行う機能エンジニアリングレス機械学習(ML)プロセスを導入する。 提案するモデルである"Feature Engineering-less-ML (FEL-ML)"は、"Engineered"機能に関する余分な計算を不要とする軽量な検出アルゴリズムである。 低電力のiotエッジを効果的に加速する。 パケットの未処理バイトストリームでトレーニングされる。 より良い結果を提供する以外は、従来の機能ベースのメソッドよりも高速です。 FEL-MLは、機能工学の専門家による重要な投資を排除し、リソースに敏感なネットワークトラフィックセキュリティを促進する。

関連論文リスト

• Real-time Threat Detection Strategies for Resource-constrained Devices [1.4815508281465273]
  本稿では,ルータ内のDNSトンネリング攻撃を効果的に処理するエンド・ツー・エンド・プロセスを提案する。 我々は、MLモデルをトレーニングするためにステートレスな機能を利用することと、ネットワーク構成から独立して選択した機能を利用することで、非常に正確な結果が得られることを実証した。 さまざまな環境にまたがる組み込みデバイスに最適化されたこの慎重に構築されたモデルのデプロイにより、最小のレイテンシでDNSチューニングされた攻撃検出が可能になった。
  論文  参考訳（メタデータ） (2024-03-22T10:02:54Z)
• 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)
• Prototype of deployment of Federated Learning with IoT devices [0.0]
  要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。 同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。 フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-24T10:37:30Z)
• Sparse Federated Training of Object Detection in the Internet of Vehicles [13.864554148921826]
  物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである 現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。 そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T08:58:41Z)
• Enable Deep Learning on Mobile Devices: Methods, Systems, and Applications [46.97774949613859]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野において前例のない成功を収めた しかし、それらの優れた性能は、計算の複雑さのかなりのコストを伴っている。 本稿では,効率的なディープラーニング手法,システム,応用について概説する。
  論文  参考訳（メタデータ） (2022-04-25T16:52:48Z)
• A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks [0.0]
  侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。 本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。 MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
  論文  参考訳（メタデータ） (2021-11-02T05:58:07Z)
• Detecting Attacks on IoT Devices using Featureless 1D-CNN [0.0]
  フィーチャーレス機械学習は、ネットワークトラフィックの低コストで低メモリの時系列解析を可能にする。 課題の専門家への多大な投資を排除し、機能エンジニアリングに要する時間を削減することで利益を得る。
  論文  参考訳（メタデータ） (2021-09-09T01:22:36Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• 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。