Fugu-MT 論文翻訳(概要): Graph-Based DDoS Attack Detection in IoT Systems with Lossy Network

論文の概要: Graph-Based DDoS Attack Detection in IoT Systems with Lossy Network

arxiv url: http://arxiv.org/abs/2403.09118v1
Date: Thu, 14 Mar 2024 06:00:42 GMT
ステータス: 処理完了
システム内更新日: 2024-03-17 13:28:07.666670
Title: Graph-Based DDoS Attack Detection in IoT Systems with Lossy Network
Title（参考訳）: ロスシーネットワークを用いたIoTシステムにおけるグラフベースDDoS攻撃検出
Authors: Arvin Hekmati, Bhaskar Krishnamachari,
Abstract要約: 本研究では,モノのインターネット(IoT)システムにおけるDDoS(Distributed Denial of Service)攻撃を検出するための堅牢なソリューションを提案する。グラフ構造内のノードとしてIoTデバイスを概念化することにより、損失のあるネットワーク環境でも効率的に動作可能な検出機構を提案する。
参考スコア（独自算出の注目度）: 6.123324869194196
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This study introduces a robust solution for the detection of Distributed Denial of Service (DDoS) attacks in Internet of Things (IoT) systems, leveraging the capabilities of Graph Convolutional Networks (GCN). By conceptualizing IoT devices as nodes within a graph structure, we present a detection mechanism capable of operating efficiently even in lossy network environments. We introduce various graph topologies for modeling IoT networks and evaluate them for detecting tunable futuristic DDoS attacks. By studying different levels of network connection loss and various attack situations, we demonstrate that the correlation-based hybrid graph structure is effective in spotting DDoS attacks, substantiating its good performance even in lossy network scenarios. The results indicate a remarkable performance of the GCN-based DDoS detection model with an F1 score of up to 91%. Furthermore, we observe at most a 2% drop in F1-score in environments with up to 50% connection loss. The findings from this study highlight the advantages of utilizing GCN for the security of IoT systems which benefit from high detection accuracy while being resilient to connection disruption.
Abstract（参考訳）: 本研究では、Graph Convolutional Networks(GCN)の機能を活用した、IoT(Internet of Things)システムにおけるDDoS(Distributed Denial of Service)攻撃の検出のための堅牢なソリューションを提案する。グラフ構造内のノードとしてIoTデバイスを概念化することにより、損失のあるネットワーク環境でも効率的に動作可能な検出機構を提案する。我々は、IoTネットワークをモデル化するための様々なグラフトポロジを導入し、それらを調整可能な未来型DDoS攻撃を検出するために評価する。ネットワーク接続損失のレベルや様々な攻撃状況について検討することにより、相関に基づくハイブリッドグラフ構造がDDoS攻撃の発見に有効であることを示す。その結果,最大91%のF1スコアを有するGCNベースのDDoS検出モデルの顕著な性能を示した。さらに,F1スコアの最大2%の低下,最大50%の接続損失が観察された。本研究の結果は,接続破壊に対する耐性を保ちながら,高い検出精度の恩恵を受けるIoTシステムのセキュリティにGCNを使用することのメリットを強調した。

関連論文リスト

A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks [0.0]
通常のネットワークトラフィックからのDDoS攻撃の検出において、XGBoostのようなさまざまな機械学習モデルの有効性を評価する。これらのモデルの有効性は分析され、機械学習がIoTセキュリティフレームワークを大幅に強化する方法が示されている。
論文参考訳（メタデータ） (2024-11-08T12:23:41Z)
Enhanced Convolution Neural Network with Optimized Pooling and Hyperparameter Tuning for Network Intrusion Detection [0.0]
ネットワーク侵入検知システム(NIDS)のための拡張畳み込みニューラルネットワーク(EnCNN)を提案する。我々はEnCNNと、ロジスティック回帰、決定木、サポートベクトルマシン(SVM)、ランダムフォレスト、AdaBoost、Votting Ensembleといったアンサンブル手法など、さまざまな機械学習アルゴリズムを比較した。その結果,EnCNNは検出精度を大幅に向上し,最先端アプローチよりも10%向上した。
論文参考訳（メタデータ） (2024-09-27T11:20:20Z)
Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks [19.697853431302768]
ディジタルツイン(DT)は、リアルタイム監視、予測、意思決定能力の向上を具現化する。本研究では,分散ネットワークDTシステムにおけるセキュリティ上の課題について検討し,その後のネットワークアプリケーションの信頼性を損なう可能性がある。
論文参考訳（メタデータ） (2024-07-02T03:32:09Z)
Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
論文参考訳（メタデータ） (2024-06-12T06:36:37Z)
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)
Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
論文参考訳（メタデータ） (2024-03-16T16:45:28Z)
Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文参考訳（メタデータ） (2024-01-22T14:16:37Z)
Robust Mid-Pass Filtering Graph Convolutional Networks [47.50194731200042]
グラフ畳み込みネットワーク(GCN)は現在、グラフ構造データを扱う上で最も有望なパラダイムである。近年の研究では、GCNは敵の攻撃に弱いことが示されている。そこで我々は,これらの課題を克服するために,シンプルで効果的なミッドパスフィルタGCN(Mid-GCN)を提案する。
論文参考訳（メタデータ） (2023-02-16T03:07:09Z)
Modelling DDoS Attacks in IoT Networks using Machine Learning [21.812642970826563]
TCP固有の攻撃は、攻撃者がサイバー物理システムで使用できる最も有効なツールの1つである。本研究では、CPS-IoTにおけるDDoS攻撃を検出するための教師付き、教師なし、および半教師付き機械学習アルゴリズムの有効性を比較する。
論文参考訳（メタデータ） (2021-12-10T12:09:26Z)
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)
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。