論文の概要: Optimized Ensemble Model Towards Secured Industrial IoT Devices
- arxiv url: http://arxiv.org/abs/2401.05509v1
- Date: Wed, 10 Jan 2024 19:06:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 02:23:15.105484
- Title: Optimized Ensemble Model Towards Secured Industrial IoT Devices
- Title(参考訳): セキュアな産業用IoTデバイスに向けた最適アンサンブルモデル
- Authors: MohammadNoor Injadat
- Abstract要約: 本稿では,IIoT環境における侵入・攻撃検出性能を向上させるために,ベイズ最適化・ガウス過程(BO-GP)とアンサンブル木に基づく学習モデルを組み合わせたフレームワークを提案する。
提案するフレームワークのパフォーマンスは、ニューサウスウェールズ大学のCyber Range and IoT labsが収集したWindows 10データセットを用いて評価される。
- 参考スコア(独自算出の注目度): 0.1813006808606333
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The continued growth in the deployment of Internet-of-Things (IoT) devices
has been fueled by the increased connectivity demand, particularly in
industrial environments. However, this has led to an increase in the number of
network related attacks due to the increased number of potential attack
surfaces. Industrial IoT (IIoT) devices are prone to various network related
attacks that can have severe consequences on the manufacturing process as well
as on the safety of the workers in the manufacturing plant. One promising
solution that has emerged in recent years for attack detection is Machine
learning (ML). More specifically, ensemble learning models have shown great
promise in improving the performance of the underlying ML models. Accordingly,
this paper proposes a framework based on the combined use of Bayesian
Optimization-Gaussian Process (BO-GP) with an ensemble tree-based learning
model to improve the performance of intrusion and attack detection in IIoT
environments. The proposed framework's performance is evaluated using the
Windows 10 dataset collected by the Cyber Range and IoT labs at University of
New South Wales. Experimental results illustrate the improvement in detection
accuracy, precision, and F-score when compared to standard tree and ensemble
tree models.
- Abstract(参考訳): IoT(Internet-of-Things)デバイス展開の継続的な成長は、特に産業環境における接続需要の増加によって加速されている。
しかし、これは潜在的な攻撃面の増加によるネットワーク関連攻撃の数の増加につながった。
iiot(industrial iot)デバイスは,製造プロセスや製造工場の作業者の安全性に重大な影響を与える可能性のある,さまざまなネットワーク関連攻撃に起因している。
近年、攻撃検出のために現れた有望なソリューションの1つは機械学習(ML)である。
より具体的には、アンサンブル学習モデルは、基盤となるMLモデルのパフォーマンスを改善することに大きな期待を示している。
そこで本稿では,iiot環境における侵入・攻撃検出の性能を向上させるために,bayesian optimization-gaussian process (bo-gp) とアンサンブルツリーベースの学習モデルを組み合わせたフレームワークを提案する。
提案するフレームワークのパフォーマンスは、ニューサウスウェールズ大学のCyber Range and IoT labsが収集したWindows 10データセットを用いて評価される。
その結果,標準木モデルやアンサンブル木モデルと比較して検出精度,精度,f-scoreが向上した。
関連論文リスト
- End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Harris Hawks Feature Selection in Distributed Machine Learning for
Secure IoT Environments [8.690178186919635]
IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。
ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。
本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
論文 参考訳(メタデータ) (2023-02-20T09:38:12Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳(メタデータ) (2022-11-11T09:46:58Z) - Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution
Detection [55.028065567756066]
Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。
本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。
バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。
We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
論文 参考訳(メタデータ) (2022-06-26T16:00:22Z) - Multi-Edge Server-Assisted Dynamic Federated Learning with an Optimized
Floating Aggregation Point [51.47520726446029]
協調エッジ学習(CE-FL)は、分散機械学習アーキテクチャである。
CE-FLの過程をモデル化し,分析訓練を行った。
実世界のテストベッドから収集したデータを用いて,本フレームワークの有効性を示す。
論文 参考訳(メタデータ) (2022-03-26T00:41:57Z) - A Comparative Analysis of Machine Learning Techniques for IoT Intrusion
Detection [0.0]
本稿では,IoT-23データセットの9つのマルウェアキャプチャにおける教師付き・教師なし・強化学習手法の比較分析を行った。
SVM, Extreme Gradient Boosting (XGBoost), Light Gradient Boosting Machine (LightGBM), isolation Forest (iForest), Local Outlier Factor (LOF), Deep Reinforcement Learning (DRL) model based on a Double Deep Q-Network (DDQN)。
論文 参考訳(メタデータ) (2021-11-25T16:14:54Z) - Computational Intelligence and Deep Learning for Next-Generation
Edge-Enabled Industrial IoT [51.68933585002123]
エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。
本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。
特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
論文 参考訳(メタデータ) (2021-10-28T08:14:57Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳(メタデータ) (2021-05-10T08:02:27Z) - Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。
提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。
また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
論文 参考訳(メタデータ) (2021-01-30T07:21:44Z) - Detecting Botnet Attacks in IoT Environments: An Optimized Machine
Learning Approach [8.641714871787595]
機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。
本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。
実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
論文 参考訳(メタデータ) (2020-12-16T16:39:55Z) - Enhancing network forensics with particle swarm and deep learning: The
particle deep framework [4.797216015572358]
自動化と生産性への影響により、IoTスマートなものの人気が高まっている。
IoTデバイスは、確立された新しいIoT固有の攻撃ベクタの両方に脆弱性があることが証明されている。
本稿では,Particle Deep Frameworkを利用したIoTネットワークのための新しいネットワーク法医学フレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-02T06:39:33Z)
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。