Fugu-MT 論文翻訳(概要): Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications

論文の概要: Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications

arxiv url: http://arxiv.org/abs/2401.08135v1
Date: Tue, 16 Jan 2024 06:01:02 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 15:03:28.411203
Title: Machine Learning-Based Malicious Vehicle Detection for Security Threats and Attacks in Vehicle Ad-hoc Network (VANET) Communications
Title（参考訳）: 車両アドホックネットワーク(VANET)通信におけるセキュリティ脅威と攻撃に対する機械学習による悪意車両検出
Authors: Thanh Nguyen Canh and Xiem HoangVan
Abstract要約: ブラックホール攻撃は自動車アドホックネットワーク(VANET)にとって重要な脅威である本稿では,VANETにおけるブラックホール検出のための機械学習手法を提案する。
参考スコア（独自算出の注目度）: 0.48951183832371004
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rapid growth of Vehicle Ad-hoc Network (VANET) as a promising technology for efficient and reliable communication among vehicles and infrastructure, the security and integrity of VANET communications has become a critical concern. One of the significant threats to VANET is the presence of blackhole attacks, where malicious nodes disrupt the network's functionality and compromise data confidentiality, integrity, and availability. In this paper, we propose a machine learning-based approach for blackhole detection in VANET. To achieve this task, we first create a comprehensive dataset comprising normal and malicious traffic flows. Afterward, we study and define a promising set of features to discriminate the blackhole attacks. Finally, we evaluate various machine learning algorithms, including Gradient Boosting, Random Forest, Support Vector Machines, k-Nearest Neighbors, Gaussian Naive Bayes, and Logistic Regression. Experimental results demonstrate the effectiveness of these algorithms in distinguishing between normal and malicious nodes. Our findings also highlight the potential of machine learning based approach in enhancing the security of VANET by detecting and mitigating blackhole attacks.
Abstract（参考訳）: 車両とインフラ間の効率的で信頼性の高い通信技術としての車両アドホックネットワーク(vanet)の急速な成長に伴い、バネット通信のセキュリティと完全性が重要な関心事となっている。 VANETの重大な脅威の1つは、悪意のあるノードがネットワークの機能を破壊し、データの機密性、完全性、可用性を損なう、ブラックホール攻撃の存在である。本稿では,VANETにおけるブラックホール検出のための機械学習手法を提案する。この課題を達成するために、我々はまず、正常かつ悪意のあるトラフィックフローからなる包括的データセットを作成する。その後,ブラックホール攻撃を識別するための有望な特徴セットを研究・定義する。最後に,勾配ブースティング,ランダムフォレスト,サポートベクターマシン,k-ネアレスト近傍,ガウスのナイーブベイ,ロジスティック回帰など,さまざまな機械学習アルゴリズムを評価する。実験により,正常ノードと悪意ノードを区別するアルゴリズムの有効性が示された。我々の研究は、ブラックホール攻撃の検出と緩和によってVANETのセキュリティを高める機械学習アプローチの可能性を強調した。

関連論文リスト

Edge-Only Universal Adversarial Attacks in Distributed Learning [49.546479320670464]
本研究では,攻撃者がモデルのエッジ部分のみにアクセスした場合に,ユニバーサルな敵攻撃を発生させる可能性について検討する。提案手法は, エッジ側の重要な特徴を活用することで, 未知のクラウド部分において, 効果的な誤予測を誘導できることを示唆する。 ImageNetの結果は、未知のクラウド部分に対する強力な攻撃伝達性を示している。
論文参考訳（メタデータ） (2024-11-15T11:06:24Z)
Optimizing Age of Information in Vehicular Edge Computing with Federated Graph Neural Network Multi-Agent Reinforcement Learning [44.17644657738893]
本稿では,データ更新の鍵となる情報時代(AoI)に着目し,RSU通信資源制約下での車両のタスクオフロード問題について検討する。本稿では,Federated Graph Neural Network Multi-Agent Reinforcement Learning (FGNN-MADRL) と名付けたグラフニューラルネットワーク(GNN)を組み合わせた分散分散学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-01T15:37:38Z)
Enhancing Privacy and Security of Autonomous UAV Navigation [0.8512184778338805]
国境警備や災害対応といった重要なシナリオでは、自律型無人機の安全な航行が最重要である。本稿では,RL(Reinforcement Learning)とFHE(Fully Homomorphic Encryption)を組み合わせて,自律型UAVナビゲーションを実現する革新的な手法を提案する。提案手法により,自律型UAVナビゲーションにおけるセキュリティとプライバシが保証され,性能が損なわれない。
論文参考訳（メタデータ） (2024-04-26T07:54:04Z)
Cross-Domain AI for Early Attack Detection and Defense Against Malicious Flows in O-RAN [5.196266559887213]
クロスドメイン人工知能(AI)は、Open Radio Access Network(O-RAN)におけるその応用はまだ初期段階にあるが、この問題に対処するための鍵となる。提案手法の可能性を実証し,93%の精度を達成した。このアプローチは、モバイルネットワークセキュリティにおける重要なギャップを埋めるだけでなく、ネットワークセキュリティ対策の有効性を高めるためのクロスドメインAIの可能性も示している。
論文参考訳（メタデータ） (2024-01-17T13:29:47Z)
An Explainable Ensemble-based Intrusion Detection System for Software-Defined Vehicle Ad-hoc Networks [0.0]
本研究では,アンサンブルに基づく機械学習による車両ネットワークにおけるサイバー脅威の検出について検討する。我々は,Random Forest と CatBoost を主要な研究者として用いたモデルを提案し,ロジスティック回帰を用いて最終的な決定を下す。我々は,本手法が分類精度を向上し,過去の研究に比べて誤分類が少ないことを観察した。
論文参考訳（メタデータ） (2023-12-08T10:39:18Z)
RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
論文参考訳（メタデータ） (2022-08-27T14:50:00Z)
An Online Ensemble Learning Model for Detecting Attacks in Wireless Sensor Networks [0.0]
我々は、アンサンブル学習として知られる重要な機械学習の概念を適用して、インテリジェントで効率的で、かつ、高機能な侵入検知システムを開発する。本稿では,感覚データ解析における同種・異種のオンラインアンサンブルの応用について検討する。提案されたオンラインアンサンブルのうち、アダプティブ・ランダム・フォレスト(ARF)とHoeffding Adaptive Tree(HAT)アルゴリズムを組み合わせた異種アンサンブルと、10モデルからなる同種アンサンブルHATは、それぞれ96.84%と97.2%という高い検出率を達成した。
論文参考訳（メタデータ） (2022-04-28T23:10:47Z)
A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。 MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文参考訳（メタデータ） (2021-11-02T05:58:07Z)
Information Obfuscation of Graph Neural Networks [96.8421624921384]
本稿では,グラフ構造化データを用いた学習において,情報難読化による機密属性保護の問題について検討する。本稿では,全変動量とワッサーシュタイン距離を交互に学習することで,事前決定された機密属性を局所的にフィルタリングするフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-28T17:55:04Z)
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)
Graph Backdoor [53.70971502299977]
GTAはグラフニューラルネットワーク(GNN)に対する最初のバックドア攻撃である。 GTAは、トポロジカル構造と記述的特徴の両方を含む特定の部分グラフとしてトリガーを定義する。トランスダクティブ(ノード分類など)とインダクティブ(グラフ分類など)の両方のタスクに対してインスタンス化することができる。
論文参考訳（メタデータ） (2020-06-21T19:45:30Z)

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。