Fugu-MT 論文翻訳(概要): Mitigating Denial of Service Attacks in Fog-Based Wireless Sensor Networks Using Machine Learning Techniques

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

Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
論文参考訳（メタデータ） (2024-11-20T00:43:32Z)
Sdn Intrusion Detection Using Machine Learning Method [0.0]
SDN(Software-Defined Network)は、ネットワーク制御を直接プログラムできる新しいアプローチである。本研究は,ネットワーク内の感染を捕捉する新しい機械学習手法を開発した。
論文参考訳（メタデータ） (2024-11-08T12:19:50Z)
A Novel Self-Attention-Enabled Weighted Ensemble-Based Convolutional Neural Network Framework for Distributed Denial of Service Attack Classification [0.0]
本研究は、DDoS攻撃検出のための新しいアプローチを提案する。提案手法は精度98.71%、F1スコア98.66%、リコール98.63%、精度98.69%を達成する。
論文参考訳（メタデータ） (2024-09-01T18:58:33Z)
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)
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)
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)
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。