論文の概要: Design and implementation of intelligent packet filtering in IoT microcontroller-based devices

• arxiv url: http://arxiv.org/abs/2305.19214v1
• Date: Tue, 30 May 2023 17:03:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 14:58:32.987604
• Title: Design and implementation of intelligent packet filtering in IoT microcontroller-based devices
• Title（参考訳）: IoTマイクロコントローラデバイスにおけるインテリジェントパケットフィルタリングの設計と実装
• Authors: Gustavo de Carvalho Bertoli, Gabriel Victor C. Fernandes, Pedro H. Borges Monici, C\'esar H. de Araujo Guibo, Louren\c{c}o Alves Pereira Jr., Aldri Santos
• Abstract要約: IoT(Internet of Things)デバイスは,新たなアプリケーションやサービスを実現する上で,ますます普及し,不可欠なコンポーネントとなっている。 IoTデバイスを悪意のある攻撃から守るためには、堅牢なサイバーセキュリティ対策の確立が不可欠だ。 我々は、機械学習(ML)アルゴリズムを用いてIoTデバイスにパケットを分類する低リソースパケットフィルタであるT800を紹介する。
• 参考スコア（独自算出の注目度）: 1.4500636542366327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Internet of Things (IoT) devices are increasingly pervasive and essential components in enabling new applications and services. However, their widespread use also exposes them to exploitable vulnerabilities and flaws that can lead to significant losses. In this context, ensuring robust cybersecurity measures is essential to protect IoT devices from malicious attacks. However, the current solutions that provide flexible policy specifications and higher security levels for IoT devices are scarce. To address this gap, we introduce T800, a low-resource packet filter that utilizes machine learning (ML) algorithms to classify packets in IoT devices. We present a detailed performance benchmarking framework and demonstrate T800's effectiveness on the ESP32 system-on-chip microcontroller and ESP-IDF framework. Our evaluation shows that T800 is an efficient solution that increases device computational capacity by excluding unsolicited malicious traffic from the processing pipeline. Additionally, T800 is adaptable to different systems and provides a well-documented performance evaluation strategy for security ML-based mechanisms on ESP32-based IoT systems. Our research contributes to improving the cybersecurity of resource-constrained IoT devices and provides a scalable, efficient solution that can be used to enhance the security of IoT systems.
• Abstract（参考訳）: IoT(Internet of Things)デバイスは,新たなアプリケーションやサービスを実現する上で,ますます普及し,不可欠なコンポーネントとなっている。 しかし、その広範な使用によって、悪用可能な脆弱性や欠陥も露呈し、大きな損失につながる可能性がある。 この文脈では、悪意のある攻撃からIoTデバイスを保護するために、堅牢なサイバーセキュリティ対策を保証することが不可欠である。 しかし、フレキシブルなポリシー仕様とIoTデバイスのセキュリティレベルを提供する現在のソリューションは少ない。 このギャップに対処するために,機械学習(ML)アルゴリズムを用いてIoTデバイスにパケットを分類する低リソースパケットフィルタであるT800を導入する。 本稿では,ESP32システムオンチップマイクロコントローラとESP-IDFフレームワーク上でT800の有効性を示す。 評価の結果,T800は処理パイプラインからの不正なトラフィックを排除し,デバイスの計算能力を向上させる効率的なソリューションであることがわかった。 さらに、T800はさまざまなシステムに適用可能で、ESP32ベースのIoTシステム上でのセキュリティMLベースのメカニズムに対して、十分に文書化されたパフォーマンス評価戦略を提供する。 我々の研究は、リソース制限されたIoTデバイスのサイバーセキュリティの改善に貢献し、IoTシステムのセキュリティを強化するために使用できるスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• Securing Legacy Communication Networks via Authenticated Cyclic Redundancy Integrity Check [98.34702864029796]
  認証サイクル冗長性チェック(ACRIC)を提案する。 ACRICは、追加のハードウェアを必要とせずに後方互換性を保持し、プロトコルに依存しない。 ACRICは最小送信オーバーヘッド(1ms)で堅牢なセキュリティを提供する。
  論文  参考訳（メタデータ） (2024-11-21T18:26:05Z)
• LPUF-AuthNet: A Lightweight PUF-Based IoT Authentication via Tandem Neural Networks and Split Learning [2.37507453143459]
  IoT(Internet of Things)は2025年までに全世界で75億以上のデバイスを接続する計画だ。 従来の暗号手法は、IoTデバイスの制約に悩まされることが多い。 本稿では、物理的非拘束機能(PUF)を堅牢なセキュリティソリューションとみなす。 提案手法では,タンデムニューラルネットワーク(TNN)とスプリットラーニング(SL)パラダイムを組み合わせた,LPUF-AuthNetと呼ばれる軽量PUF機構を提案する。
  論文  参考訳（メタデータ） (2024-10-16T03:25:04Z)
• Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
  日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。 本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
  論文  参考訳（メタデータ） (2024-04-29T21:26:18Z)
• 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)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• IoT Device Identification Based on Network Communication Analysis Using Deep Learning [43.0717346071013]
  組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。 この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。 本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
  論文  参考訳（メタデータ） (2023-03-02T13:44:58Z)
• Network Intrusion Detection System in a Light Bulb [0.0]
  IoT(Internet of Things)デバイスは、さまざまなエッジアプリケーションで、ホームおよび業界のインフラストラクチャを監視し、制御するために、徐々に利用されています。 提案されているネットワーク侵入検知システム(NIDS)は多数存在するが、実際のIoT実装については限定的な研究がなされている。 本研究の目的は、低消費電力機械学習(ML)ベースのNIDSのバウンダリをプッシュすることで、このギャップを解決することである。
  論文  参考訳（メタデータ） (2022-10-06T23:36:04Z)
• Is this IoT Device Likely to be Secure? Risk Score Prediction for IoT Devices Using Gradient Boosting Machines [11.177584118932572]
  セキュリティリスク評価と予測は、IoT(Internet of Things)デバイスをデプロイする組織にとって重要なものだ。 本稿では,IoTデバイスに関する情報に基づいて,新たなリスク予測を提案する。
  論文  参考訳（メタデータ） (2021-11-23T13:41:29Z)
• Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
  本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。 我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。 ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
  論文  参考訳（メタデータ） (2021-06-03T16:45:40Z)
• GRAVITAS: Graphical Reticulated Attack Vectors for Internet-of-Things Aggregate Security [5.918387680589584]
  IoT(Internet-of-Things)とサイバー物理システム(CPS)は、複雑なネットワークトポロジで接続された何千ものデバイスで構成されている可能性がある。 我々は、未発見の攻撃ベクトルを識別できるIoT/CPSのための包括的リスク管理システムGRAVITASについて述べる。
  論文  参考訳（メタデータ） (2021-05-31T19:35:23Z)
• IoT Device Identification Using Deep Learning [43.0717346071013]
  組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。 広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。 本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
  論文  参考訳（メタデータ） (2020-02-25T12:24:49Z)

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。