論文の概要: Detection of Global Anomalies on Distributed IoT Edges with Device-to-Device Communication

• arxiv url: http://arxiv.org/abs/2407.11308v1
• Date: Tue, 16 Jul 2024 01:50:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 18:52:01.251504
• Title: Detection of Global Anomalies on Distributed IoT Edges with Device-to-Device Communication
• Title（参考訳）: デバイス間通信による分散IoTエッジ上のグローバル異常の検出
• Authors: Hideya Ochiai, Riku Nishihata, Eisuke Tomiyama, Yuwei Sun, Hiroshi Esaki,
• Abstract要約: 本稿では,ワイヤレスアドホックフェデレートラーニングを用いた分散異常検知器の学習のための,完全分散協調方式を提案する。 サンプルはローカルデバイスでは稀だが,対象ドメインの全デバイスでは稀であるGlobal Anomalyの概念を紹介した。 両装置は, 偽陽性率の低いグローバル異常検出の閾値を, 例外なく高い真陽性率を達成し, 協調的に検出できることを確認した。
• 参考スコア（独自算出の注目度）: 4.595084150716406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection is an important function in IoT applications for finding outliers caused by abnormal events. Anomaly detection sometimes comes with high-frequency data sampling which should be carried out at Edge devices rather than Cloud. In this paper, we consider the case that multiple IoT devices are installed in a single remote site and that they collaboratively detect anomalies from the observations with device-to-device communications. For this, we propose a fully distributed collaborative scheme for training distributed anomaly detectors with Wireless Ad Hoc Federated Learning, namely "WAFL-Autoencoder". We introduce the concept of Global Anomaly which sample is not only rare to the local device but rare to all the devices in the target domain. We also propose a distributed threshold-finding algorithm for Global Anomaly detection. With our standard benchmark-based evaluation, we have confirmed that our scheme trained anomaly detectors perfectly across the devices. We have also confirmed that the devices collaboratively found thresholds for Global Anomaly detection with low false positive rates while achieving high true positive rates with few exceptions.
• Abstract（参考訳）: 異常検出は、異常事象によって引き起こされる外れ値を見つけるためのIoTアプリケーションにおいて重要な機能である。 異常検出には、クラウドではなくエッジデバイスで実施すべき高周波データサンプリングが伴うことがある。 本稿では,複数のIoTデバイスを1つのリモートサイトに設置し,デバイス間通信による観測から異常を共同検出する事例について考察する。 そこで本研究では,無線アドホックフェデレートラーニング(WAFL-Autoencoder)を用いた分散異常検知器のトレーニングを行うための,完全分散協調方式を提案する。 サンプルは局所的なデバイスに限らず,対象領域のすべてのデバイスに稀である,Global Anomalyの概念を導入する。 また,グローバル異常検出のための分散しきい値探索アルゴリズムを提案する。 標準ベンチマークによる評価により、我々はデバイス全体で完全に異常検出を訓練したことを確認した。 また, 偽陽性率の低いGlobal Anomaly検出のしきい値が, 例外が少なく, 真陽性率の高い値が得られたことも確認した。

関連論文リスト

• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Detecting Compromised IoT Devices Using Autoencoders with Sequential Hypothesis Testing [1.4474137122906163]
  既存の異常検出方式は、圧倒的に多くの誤報を引き起こす可能性がある。 我々は、侵入されたIoTデバイスを検出するための効果的で効率的なフレームワーク、CUMADを開発した。 CUMADは, オートエンコーダによる異常検出方式のみを用いて, 偽陽性率を約3.57%から約0.5%に下げることができた。
  論文  参考訳（メタデータ） (2024-04-21T15:33:17Z)
• On the Universal Adversarial Perturbations for Efficient Data-free Adversarial Detection [55.73320979733527]
  本稿では,UAPに対して正常サンプルと逆サンプルの異なる応答を誘導する,データに依存しない逆検出フレームワークを提案する。 実験結果から,本手法は様々なテキスト分類タスクにおいて,競合検出性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-27T02:54:07Z)
• Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic Monitoring of MUD Activity [1.294952045574009]
  異常に基づく検出手法は、新たな攻撃を見つける上で有望である。 偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。 本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
  論文  参考訳（メタデータ） (2023-04-11T05:17:51Z)
• CADeSH: Collaborative Anomaly Detection for Smart Homes [17.072108188004396]
  本稿では,2段階の協調的異常検出手法を提案する。 最初はオートエンコーダを使用して、頻繁な(良性)と頻繁な(悪意のある)トラフィックフローを区別する。 クラスタリングは、希少なフローのみを分析し、それを既知の('rare yet beign')または未知の(malicious')として分類する。
  論文  参考訳（メタデータ） (2023-03-02T07:22:26Z)
• Embedding Alignment for Unsupervised Federated Learning via Smart Data Exchange [21.789359767103154]
  フェデレートラーニング(FL)は、分散機械学習(ML)の最も有望なソリューションの1つとして認識されている。 我々は、ラベルのないデータセットを持つエッジデバイス間のFLのための新しい手法CF-CL(Cooperative Federated Unsupervised Contrastive Learning)を開発した。
  論文  参考訳（メタデータ） (2022-08-04T19:26:59Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
  モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。 異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。 Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
  論文  参考訳（メタデータ） (2020-06-18T14:50:08Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。