論文の概要: TemporalFED: Detecting Cyberattacks in Industrial Time-Series Data Using Decentralized Federated Learning
- arxiv url: http://arxiv.org/abs/2308.03554v2
- Date: Mon, 15 Sep 2025 10:50:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-16 17:26:22.570067
- Title: TemporalFED: Detecting Cyberattacks in Industrial Time-Series Data Using Decentralized Federated Learning
- Title（参考訳）: TemporalFED:分散学習を用いた産業時系列データのサイバー攻撃検出
- Authors: Ángel Luis Perales Gómez, Enrique Tomás Martínez Beltrán, Pedro Miguel Sánchez Sánchez, Alberto Huertas Celdrán,
- Abstract要約: 本稿では、サイバー攻撃検出と資源消費の観点から、分散連邦学習(DFL)の利点を考察する。
この研究は、FLパラダイムと時系列を用いて産業環境の異常を検出するソフトウェアモジュールであるTemporalFEDを提示する。
- 参考スコア（独自算出の注目度）: 6.935743156835002
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Industry 4.0 has brought numerous advantages, such as increasing productivity through automation. However, it also presents major cybersecurity issues such as cyberattacks affecting industrial processes. Federated Learning (FL) combined with time-series analysis is a promising cyberattack detection mechanism proposed in the literature. However, the fact of having a single point of failure and network bottleneck are critical challenges that need to be tackled. Thus, this article explores the benefits of the Decentralized Federated Learning (DFL) in terms of cyberattack detection and resource consumption. The work presents TemporalFED, a software module for detecting anomalies in industrial environments using FL paradigms and time series. TemporalFED incorporates three components: Time Series Conversion, Feature Engineering, and Time Series Stationary Conversion. To evaluate TemporalFED, it was deployed on Fedstellar, a DFL framework. Then, a pool of experiments measured the detection performance and resource consumption in a chemical gas industrial environment with different time-series configurations, FL paradigms, and topologies. The results showcase the superiority of the configuration utilizing DFL and Semi-Decentralized Federated Learning (SDFL) paradigms, along with a fully connected topology, which achieved the best performance in anomaly detection. Regarding resource consumption, the configuration without feature engineering employed less bandwidth, CPU, and RAM than other configurations.
- Abstract（参考訳）: 業界 4.0 は、自動化による生産性向上など、多くの利点をもたらしている。
しかし、これは産業プロセスに影響を及ぼすサイバー攻撃のような主要なサイバーセキュリティ問題も提示している。
FL(Federated Learning)と時系列分析の組み合わせは、文献で提案されている有望なサイバー攻撃検出メカニズムである。
しかし、単一障害点とネットワークボトルネックを持つという事実は、対処すべき重要な課題である。
そこで本稿では,サイバー攻撃検出と資源消費の観点から,分散連邦学習(DFL)のメリットを考察する。
この研究は、FLパラダイムと時系列を用いて産業環境の異常を検出するソフトウェアモジュールであるTemporalFEDを提示する。
TemporalFEDには、時系列変換、フィーチャーエンジニアリング、時系列定常変換の3つのコンポーネントが含まれている。
TemporalFEDを評価するために、DFLフレームワークであるFedstellar上にデプロイされた。
そして, 時系列構成, FLパラダイム, トポロジーの異なる化学ガス産業環境における検出性能と資源消費量を測定した。
その結果、DFLと半分散型フェデレートラーニング(SDFL)パラダイムを用いた構成の優位性と、完全に連結したトポロジーが、異常検出において最高の性能を達成したことを示す。
リソース消費に関しては、機能エンジニアリングのない構成では、他の構成よりも帯域幅、CPU、RAMが少なかった。
関連論文リスト
- DeepFeatIoT: Unifying Deep Learned, Randomized, and LLM Features for Enhanced IoT Time Series Sensor Data Classification in Smart Industries [2.2120045208641184]
IoT(Internet of Things)センサーは、スマートシティ、産業サイト、医療システムにまたがるユビキタス技術である。
我々は、学習したローカル機能とグローバル機能を非学習ランダム化されたカーネルベースの機能に統合する新しいディープラーニングモデルDeepFeatIoTを提案する。
我々のモデルの有効性は、複数の実世界のIoTセンサーデータセットにまたがる一貫性と一般化されたパフォーマンスによって実証される。
論文 参考訳（メタデータ） (2025-08-13T03:47:33Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - 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) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - MMRNet: Improving Reliability for Multimodal Object Detection and
Segmentation for Bin Picking via Multimodal Redundancy [68.7563053122698]
マルチモーダル冗長性(MMRNet)を用いた信頼度の高いオブジェクト検出・分割システムを提案する。
これは、マルチモーダル冗長の概念を導入し、デプロイ中のセンサ障害問題に対処する最初のシステムである。
システム全体の出力信頼性と不確実性を測定するために,すべてのモダリティからの出力を利用する新しいラベルフリーマルチモーダル整合性(MC)スコアを提案する。
論文 参考訳（メタデータ） (2022-10-19T19:15:07Z) - Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。
デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。
本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
論文 参考訳（メタデータ） (2022-09-01T03:27:33Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳（メタデータ） (2022-06-15T19:46:59Z) - Spatio-Temporal Federated Learning for Massive Wireless Edge Networks [23.389249751372393]
エッジサーバと多数のモバイルデバイス(クライアント)は、モバイルデバイスが収集した膨大なデータをエッジサーバに転送することなく、グローバルモデルを共同で学習する。
提案手法は,STFLに参加する予定の様々なモバイルデバイスからの学習更新の空間的および時間的相関を利用している。
収束性能を用いてSTFLの学習能力を研究するために,STFLの分析フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T16:46:45Z) - Deep Anomaly Detection for Time-series Data in Industrial IoT: A
Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。
まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。
次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。
第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
論文 参考訳（メタデータ） (2020-07-19T16:47:26Z) - Coded Computing for Federated Learning at the Edge [3.385874614913973]
フェデレートラーニング(FL)は、クライアントデータを集中サーバに移行することなく、クライアントノードでローカルに生成されたデータからグローバルモデルをトレーニングすることを可能にする。
最近の研究は、MECサーバに冗長な計算を割り当てることで、トラグラーを緩和し、線形回帰タスクのトレーニングを高速化することを提案する。
我々は、CFLを分散非線形回帰および多出力ラベルによる分類問題に拡張する難題に対処するCodedFedLを開発した。
論文 参考訳（メタデータ） (2020-07-07T08:20:47Z)
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。