論文の概要: Effective Intrusion Detection in Highly Imbalanced IoT Networks with
Lightweight S2CGAN-IDS
- arxiv url: http://arxiv.org/abs/2306.03707v1
- Date: Tue, 6 Jun 2023 14:19:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 15:17:15.950545
- Title: Effective Intrusion Detection in Highly Imbalanced IoT Networks with
Lightweight S2CGAN-IDS
- Title（参考訳）: 軽量S2CGAN-IDSを用いた高不均衡IoTネットワークの効果的な侵入検出
- Authors: Caihong Wang, Du Xu, Zonghang Li, Dusit Niyato
- Abstract要約: モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。
既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。
我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
- 参考スコア（独自算出の注目度）: 48.353590166168686
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since the advent of the Internet of Things (IoT), exchanging vast amounts of
information has increased the number of security threats in networks. As a
result, intrusion detection based on deep learning (DL) has been developed to
achieve high throughput and high precision. Unlike general deep learning-based
scenarios, IoT networks contain benign traffic far more than abnormal traffic,
with some rare attacks. However, most existing studies have been focused on
sacrificing the detection rate of the majority class in order to improve the
detection rate of the minority class in class-imbalanced IoT networks. Although
this way can reduce the false negative rate of minority classes, it both wastes
resources and reduces the credibility of the intrusion detection systems. To
address this issue, we propose a lightweight framework named S2CGAN-IDS. The
proposed framework leverages the distribution characteristics of network
traffic to expand the number of minority categories in both data space and
feature space, resulting in a substantial increase in the detection rate of
minority categories while simultaneously ensuring the detection precision of
majority categories. To reduce the impact of sparsity on the experiments, the
CICIDS2017 numeric dataset is utilized to demonstrate the effectiveness of the
proposed method. The experimental results indicate that our proposed approach
outperforms the superior method in both Precision and Recall, particularly with
a 10.2% improvement in the F1-score.
- Abstract（参考訳）: IoT(Internet of Things)の出現以来、大量の情報を交換することで、ネットワーク内のセキュリティ脅威の数が増えてきた。
その結果、高いスループットと高精度を実現するために、ディープラーニング(DL)に基づく侵入検出が開発された。
一般的なディープラーニングベースのシナリオとは異なり、IoTネットワークは異常なトラフィックよりもはるかに良質なトラフィックを含んでいる。
しかし、既存の研究のほとんどは、クラス不均衡iotネットワークにおけるマイノリティクラスの検出率を改善するために、多数派クラスの検出率を犠牲にすることに集中している。
この方法は少数民族の誤った否定率を減らすことができるが、資源を浪費し、侵入検知システムの信頼性を低下させる。
そこで本研究では,S2CGAN-IDSという軽量フレームワークを提案する。
提案フレームワークは,ネットワークトラフィックの分布特性を利用して,データ空間と特徴空間の両方においてマイノリティーカテゴリの数を拡大し,マイノリティーカテゴリの検出率を大幅に向上させ,マイノリティーカテゴリの検出精度を同時に確保する。
実験結果への影響を低減するため,CICIDS2017数値データセットを用いて提案手法の有効性を実証した。
実験の結果,提案手法は精度とリコールともに優れた手法を上回っており,特にf1-scoreの10.2%向上した。
関連論文リスト
- FedMSE: Federated learning for IoT network intrusion detection [0.0]
IoTの台頭によりサイバー攻撃面が拡大し、データ可用性、計算リソース、転送コスト、特にプライバシ保護に関する懸念から、従来の集中型機械学習手法が不十分になった。
Shrink AutoencoderとCentroid One-class Classifier(SAE-CEN)を組み合わせた半教師付きフェデレーション学習モデルを開発した。
このアプローチは,通常のネットワークデータを効果的に表現し,分散戦略における異常を正確に識別することにより侵入検知性能を向上させる。
論文 参考訳（メタデータ） (2024-10-18T02:23:57Z) - EG-ConMix: An Intrusion Detection Method based on Graph Contrastive Learning [4.140068761522124]
本稿では,E-GraphSAGEに基づくEG-ConMix方式を提案する。
EG-ConMixは、大規模グラフのトレーニング速度と精度において大きな利点がある。
論文 参考訳（メタデータ） (2024-03-24T04:09:48Z) - Multi-class Network Intrusion Detection with Class Imbalance via LSTM & SMOTE [1.0591656257413806]
本稿では,様々な種類のネットワーク侵入を検出するために,オーバーサンプリング手法と適切な損失関数を用いたクラス不均衡処理を提案する。
我々のディープラーニングモデルは、ネットワーク攻撃のマルチクラス分類を行うために、完全に接続された層を持つLSTMを使用している。
論文 参考訳（メタデータ） (2023-10-03T07:28:04Z) - Small Object Detection via Coarse-to-fine Proposal Generation and
Imitation Learning [52.06176253457522]
本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。
CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
論文 参考訳（メタデータ） (2023-08-18T13:13:09Z) - Machine Learning-Based Intrusion Detection: Feature Selection versus
Feature Extraction [3.5889226512319903]
モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。
機械学習に基づくIoTネットワークの侵入検出手法が開発されている。
本稿では,この2つの特徴量検出手法の総合的な比較を行った。
論文 参考訳（メタデータ） (2023-07-04T08:48:01Z) - Uncertainty Estimation by Fisher Information-based Evidential Deep
Learning [61.94125052118442]
不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。
漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。
特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
論文 参考訳（メタデータ） (2023-03-03T16:12:59Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - 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) - Lifelong Object Detection [28.608982224098565]
私たちは、新しいトレーニングクラスが逐次的に到着し、モデルを漸進的に洗練するという事実を活用します。
我々は、高精度かつ効率的な予測のために、代表対象検出器であるFaster R-CNNを検討する。
論文 参考訳（メタデータ） (2020-09-02T15:08:51Z) - BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。
我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。
我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文 参考訳（メタデータ） (2020-03-09T08:16:16Z)
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。