論文の概要: Mitigating Denial of Service Attacks in Fog-Based Wireless Sensor
Networks Using Machine Learning Techniques
- arxiv url: http://arxiv.org/abs/2310.05952v1
- Date: Sun, 10 Sep 2023 00:29:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 03:53:31.847077
- Title: Mitigating Denial of Service Attacks in Fog-Based Wireless Sensor
Networks Using Machine Learning Techniques
- Title(参考訳): 機械学習を用いたフォグベース無線センサネットワークにおけるサービスアタックの否定
- Authors: Ademola Abidoye, Ibidun Obagbuwa, Nureni Azeez
- Abstract要約: 無線センサネットワークは、その特質と展開方法により、様々な攻撃を受けやすい。
これらの攻撃がWSNに与える影響を効果的に低減する検出・防止システムを設計することは困難である。
本研究では、決定木とXGBoostの2つの機械学習モデルを使用することを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wireless sensor networks are considered to be among the most significant and
innovative technologies in the 21st century due to their wide range of
industrial applications. Sensor nodes in these networks are susceptible to a
variety of assaults due to their special qualities and method of deployment. In
WSNs, denial of service attacks are common attacks in sensor networks. It is
difficult to design a detection and prevention system that would effectively
reduce the impact of these attacks on WSNs. In order to identify assaults on
WSNs, this study suggests using two machine learning models: decision trees and
XGBoost. The WSNs dataset was the subject of extensive tests to identify denial
of service attacks. The experimental findings demonstrate that the XGBoost
model, when applied to the entire dataset, has a higher true positive rate
(98.3%) than the Decision tree approach (97.3%) and a lower false positive rate
(1.7%) than the Decision tree technique (2.7%). Like this, with selected
dataset assaults, the XGBoost approach has a higher true positive rate (99.01%)
than the Decision tree technique (97.50%) and a lower false positive rate
(0.99%) than the Decision tree technique (2.50%).
- Abstract(参考訳): 無線センサネットワークは、その幅広い産業応用により、21世紀で最も重要かつ革新的な技術であると考えられている。
これらのネットワーク内のセンサノードは、その特別な品質と展開方法のため、さまざまな攻撃を受けやすい。
WSNでは、サービスアタックの否定はセンサーネットワークにおける一般的な攻撃である。
これらの攻撃がwsnに与える影響を効果的に低減する検出・防止システムを設計することは困難である。
この研究は、WSNに対する攻撃を特定するために、決定木とXGBoostという2つの機械学習モデルを使用することを提案する。
WSNsデータセットは、サービスアタックの否定を特定するための広範なテストの対象でした。
実験の結果、XGBoostモデルがデータセット全体に適用された場合、決定木アプローチ (97.3%) よりも真正率 (98.3%) が高く、決定木手法 (2.7%) よりも偽陽性率 (1.7%) が低いことが示された。
このように、選択されたデータセット攻撃では、XGBoostアプローチは決定木法(97.50%)よりも真正率(99.01%)が高く、決定木法(2.50%)より偽正率(0.99%)低い。
関連論文リスト
- FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳(メタデータ) (2024-03-26T08:51:23Z) - Deep Neural Networks based Meta-Learning for Network Intrusion Detection [0.24466725954625884]
産業の異なるコンポーネントのデジタル化と先住民ネットワーク間の相互接続性は、ネットワーク攻撃のリスクを高めている。
コンピュータネットワークの予測モデルを構築するために使用されるデータには、スキュークラス分布と攻撃型の限定表現がある。
Information Fusion and Stacking Ensemble (INFUSE) という,ネットワーク侵入検出のための新しいディープニューラルネットワークベースのメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-18T18:00:05Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳(メタデータ) (2023-02-06T16:38:43Z) - Mixture GAN For Modulation Classification Resiliency Against Adversarial
Attacks [55.92475932732775]
本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。
GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。
シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
論文 参考訳(メタデータ) (2022-05-29T22:30:32Z) - Generative Adversarial Network-Driven Detection of Adversarial Tasks in
Mobile Crowdsensing [5.675436513661266]
クラウドセンシングシステムは、不特定かつユビキタスなプロパティの上に構築されるため、さまざまな攻撃に対して脆弱である。
以前の研究では、GANベースの攻撃は実験的に設計された攻撃サンプルよりも重大な破壊力を示すことが示唆されている。
本稿では,GANモデルを統合することにより,知的に設計された不正なセンシングサービス要求を検出することを目的とする。
論文 参考訳(メタデータ) (2022-02-16T00:23:25Z) - 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) - Performance Evaluation of Machine Learning Techniques for DoS Detection
in Wireless Sensor Network [0.0]
本稿では,Wikato Environment for Knowledge Analysis (WEKA) を用いて,WSNにおけるDoS攻撃による浸水,グレイホール,ブラックホール,スケジューリングの5つの機械学習アルゴリズムの有効性を評価する実験を行った。
その結果、ランダムな森林分類器は99.72%の精度で他の分類器よりも優れていた。
論文 参考訳(メタデータ) (2021-04-05T15:31:27Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - Neural Network Virtual Sensors for Fuel Injection Quantities with
Provable Performance Specifications [71.1911136637719]
証明可能な保証が、他の現実世界の設定にどのように自然に適用できるかを示す。
本研究では, 燃料噴射量を一定範囲で最大化するために, 特定の間隔の燃料噴射量を目標にする方法を示す。
論文 参考訳(メタデータ) (2020-06-30T23:33:17Z) - A cognitive based Intrusion detection system [0.0]
侵入検知は、コンピュータネットワークのセキュリティを提供する重要なメカニズムの1つである。
本稿では,Deep Neural Network Ans Supportctor Machine Classifierに基づく新しい手法を提案する。
提案手法は, 侵入検知に類似した手法により, より精度良く攻撃を予測できる。
論文 参考訳(メタデータ) (2020-05-19T13:30:30Z) - Hybrid Model For Intrusion Detection Systems [0.0]
このプロジェクトには、侵入検知システムで使用されるさまざまな機械学習アルゴリズムの分析が含まれる。
両データセットの異なる侵入検知システムの解析の後、本プロジェクトは侵入検知システムのための新しいハイブリッドモデルを開発することを目的とした。
論文 参考訳(メタデータ) (2020-03-19T05:52:29Z)
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。