論文の概要: 5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques

• arxiv url: http://arxiv.org/abs/2311.06938v1
• Date: Sun, 12 Nov 2023 19:50:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 16:17:36.865962
• Title: 5G Networks and IoT Devices: Mitigating DDoS Attacks with Deep Learning Techniques
• Title（参考訳）: 5GネットワークとIoTデバイス:ディープラーニング技術によるDDoS攻撃の軽減
• Authors: Reem M. Alzhrani and Mohammed A. Alliheedi
• Abstract要約: モノのインターネット(IoT)デバイスは近年劇的に加速している。 結果として、これらのデバイスに収集され送信される大量のデータを処理するために、スーパーネットワークが要求される。 ディープラーニング技術は、DDoS攻撃を検出し緩和する効果を証明している。
• 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: The development and implementation of Internet of Things (IoT) devices have been accelerated dramatically in recent years. As a result, a super-network is required to handle the massive volumes of data collected and transmitted to these devices. Fifth generation (5G) technology is a new, comprehensive wireless technology that has the potential to be the primary enabling technology for the IoT. The rapid spread of IoT devices can encounter many security limits and concerns. As a result, new and serious security and privacy risks have emerged. Attackers use IoT devices to launch massive attacks; one of the most famous is the Distributed Denial of Service (DDoS) attack. Deep Learning techniques have proven their effectiveness in detecting and mitigating DDoS attacks. In this paper, we applied two Deep Learning algorithms Convolutional Neural Network (CNN) and Feed Forward Neural Network (FNN) in dataset was specifically designed for IoT devices within 5G networks. We constructed the 5G network infrastructure using OMNeT++ with the INET and Simu5G frameworks. The dataset encompasses both normal network traffic and DDoS attacks. The Deep Learning algorithms, CNN and FNN, showed impressive accuracy levels, both reaching 99%. These results underscore the potential of Deep Learning to enhance the security of IoT devices within 5G networks.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスの開発と実装は近年劇的に加速している。 結果として、これらのデバイスに収集および送信される大量のデータを扱うために、スーパーネットワークが必要である。 第5世代(5G)技術は、IoTの主要な実現技術となる可能性を秘めた、新しい包括的ワイヤレス技術である。 IoTデバイスの急速な普及は、多くのセキュリティ制限と懸念に直面する可能性がある。 その結果、新しくて深刻なセキュリティとプライバシーのリスクが生まれました。 攻撃者はIoTデバイスを使用して大規模な攻撃を起動する。最も有名なのは、Distributed Denial of Service(DDoS)攻撃である。 ディープラーニング技術は、DDoS攻撃を検出し緩和する効果を証明している。 本稿では,5Gネットワーク内のIoTデバイスに特化して設計されたデータセットに,CNN(Convolutional Neural Network)とFNN(Feed Forward Neural Network)の2つのディープラーニングアルゴリズムを適用した。 INET と Simu5G フレームワークを用いて OMNeT++ を用いて 5G ネットワーク基盤を構築した。 データセットは通常のネットワークトラフィックとddos攻撃の両方を含んでいる。 Deep LearningのアルゴリズムであるCNNとFNNは、どちらも99%に達している。 これらの結果は、5Gネットワーク内のIoTデバイスのセキュリティを強化するためのDeep Learningの可能性を強調している。

関連論文リスト

• A Novel Zero-Touch, Zero-Trust, AI/ML Enablement Framework for IoT Network Security [0.0]
  本稿では,現在のIoTエコシステムにおけるDDoS攻撃の検出,緩和,防止に有効なZero Trust,Zero Touch,AI/MLの統合に基づく,新たなフレームワークを提案する。 すべてのIoTトラフィック、固定およびモバイル5G/6GIoTネットワークトラフィック、データセキュリティのゼロ信頼を確立することで、新たな統合フレームワークに注力する予定である。
  論文  参考訳（メタデータ） (2025-02-05T21:03:07Z)
• Achieving Network Resilience through Graph Neural Network-enabled Deep Reinforcement Learning [64.20847540439318]
  深層強化学習(DRL)は多くの重要な通信ネットワークのタスクで広く利用されている。 グラフニューラルネットワーク(GNN)とDRLを組み合わせて、GNNを用いてネットワークの非構造的特徴を抽出する研究もある。 本稿では,GNNとDRLを組み合わせたレジリエントネットワークの構築について検討する。
  論文  参考訳（メタデータ） (2025-01-19T15:22:17Z)
• Penetration Testing of 5G Core Network Web Technologies [53.89039878885825]
  Web セキュリティの観点から 5G コアのセキュリティ評価を行った。 我々はSTRIDE脅威モデリングアプローチを用いて、脅威ベクトルと関連する攻撃の完全なリストを定義する。 我々の分析によると、これらのコアはすべて、特定された攻撃ベクトルのうち少なくとも2つに対して脆弱である。
  論文  参考訳（メタデータ） (2024-03-04T09:27:11Z)
• 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)
• Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network [0.0]
  モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。 IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。 本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-07-16T11:12:32Z)
• Dataset: Large-scale Urban IoT Activity Data for DDoS Attack Emulation [7.219077740523682]
  大規模なIoTデバイスネットワークは、ハイジャックされる可能性があり、ボットネットとして使用され、分散サービス拒否(DDoS)攻撃を起動する。 本稿では,4060ノードの都市IoTデプロイメントから得られたデータセットについて述べる。 また、攻撃されたノード数や攻撃期間などのパラメータに基づいて、データセットにアタックアクティビティを注入する合成DDoSアタックジェネレータも提供する。
  論文  参考訳（メタデータ） (2021-10-05T06:34:58Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• Lightweight IoT Malware Detection Solution Using CNN Classification [2.288885651912488]
  IoTデバイスのセキュリティ面は幼児の分野です。 ネットワーク上の特定のIoTノードの悪意ある振る舞いを認識するシステムを開発した。 畳み込みニューラルネットワークと監視により、ネットワーク内にインストール可能な中央ノードを使用して、IoTのマルウェア検出が可能になった。
  論文  参考訳（メタデータ） (2020-10-13T10:56:33Z)
• Automating Botnet Detection with Graph Neural Networks [106.24877728212546]
  ボットネットは、DDoS攻撃やスパムなど、多くのネットワーク攻撃の主要なソースとなっている。 本稿では,最新のディープラーニング技術を用いてボットネット検出のポリシーを自動学習するニューラルネットワーク設計の課題について考察する。
  論文  参考訳（メタデータ） (2020-03-13T15:34:33Z)
• 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)
• IoT Network Behavioral Fingerprint Inference with Limited Network Trace for Cyber Investigation: A Meta Learning Approach [0.0]
  本研究は、特定のIoTのネットワーク行動指紋を推測する新しいモデル構造を提案する。 当社のソリューションは、IoTのネットワークトレースに制限があるという制約を克服しつつ、サイバー調査者が特定のIoTを特定できるようにするものです。
  論文  参考訳（メタデータ） (2020-01-14T10:42:45Z)

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。