論文の概要: Network Traffic Analysis of Medical Devices
- arxiv url: http://arxiv.org/abs/2407.13857v1
- Date: Thu, 18 Jul 2024 18:57:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-22 21:29:41.775240
- Title: Network Traffic Analysis of Medical Devices
- Title（参考訳）: 医療機器のネットワークトラフィック解析
- Authors: Nowfel Mashnoor, Batyr Charyyev,
- Abstract要約: 本研究では,医療機器8台の交通特性を,デバイスレベルでも,デバイスの個々の機能レベルでも詳細に分析する。
分析には、プロトコル、入出力トラフィックの量、DNSクエリ、トラフィック宛先の分析など、さまざまなメトリクスが含まれている。
医療機器用のネットワークツールの開発に有用な,ユニークなネットワーク特性とBluetoothトラヒック特性が得られた。
- 参考スコア（独自算出の注目度）: 4.097563258332957
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The availability of medical devices such as glucose levels and blood pressure measuring devices is continuously increasing. These devices have gained user interest as they are easy to use. However, medical devices introduce extra complexity to the network by being numerous, heterogeneous, and more vulnerable to cyber-attacks. For better network management and overall network security, it is important to understand the network traffic characteristics of the devices. Thus, in this paper, we analyze in detail the traffic characteristics of 8 medical devices both at the device level and at the level of individual functionality of each device. We collect and share both network and Bluetooth traffic from a total of 51 functionalities of the devices. Our analysis includes different metrics such as protocols, amount of incoming/outgoing traffic, DNS queries, and analysis of traffic destinations. We observed that devices have unique network and Bluetooth traffic characteristics, that might be useful in developing networking tools for medical devices.
- Abstract（参考訳）: 血糖値や血圧測定装置などの医療機器の利用は、継続的に増加している。
これらのデバイスは使いやすく、ユーザの関心を集めている。
しかし、医療機器は、多数の、異質で、サイバー攻撃に弱いことにより、ネットワークに余分な複雑さをもたらす。
ネットワーク管理の改善とネットワークセキュリティのためには,デバイスのネットワークトラフィック特性を理解することが重要である。
そこで本稿では,デバイスレベルでの医療機器の交通特性を,各デバイスの個々の機能レベルにおいて詳細に分析する。
ネットワークとBluetoothの両方のトラフィックを合計51の機能から収集し、共有しています。
分析には、プロトコル、入出力トラフィックの量、DNSクエリ、トラフィック宛先の分析など、さまざまなメトリクスが含まれている。
医療機器用のネットワークツールの開発に有用な,ユニークなネットワーク特性とBluetoothトラヒック特性が得られた。
関連論文リスト
- Locality Sensitive Hashing for Network Traffic Fingerprinting [5.062312533373298]
ネットワークトラフィックのフィンガープリントにLSH(Locality-sensitive hashing)を用いる。
本手法は,ネットワーク内のデバイスを識別する際の精度を約94%向上し,最先端の精度を12%向上させる。
論文 参考訳（メタデータ） (2024-02-12T21:14:37Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - Internet of Things: Digital Footprints Carry A Device Identity [0.0]
デバイスフィンガープリント(DFP)モデルは、IoT(Internet of Things)と非IoTデバイスを区別することができる。
連続する5つのデバイス認証パケットから4つの統計的特徴を抽出し、個々のデバイス指紋を生成する。
論文 参考訳（メタデータ） (2023-01-01T02:18:02Z) - Learning from partially labeled data for multi-organ and tumor
segmentation [102.55303521877933]
本稿では,トランスフォーマーに基づく動的オンデマンドネットワーク(TransDoDNet)を提案する。
動的ヘッドにより、ネットワークは複数のセグメンテーションタスクを柔軟に達成することができる。
我々はMOTSと呼ばれる大規模にラベル付けされたMulti-Organ and tumorベンチマークを作成し、他の競合相手よりもTransDoDNetの方が優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-13T13:03:09Z) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。
HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。
我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
論文 参考訳（メタデータ） (2022-03-14T17:05:59Z) - Applications of Machine Learning in Healthcare and Internet of Things
(IOT): A Comprehensive Review [2.1270496914042996]
本稿では、特に医療における最先端の機械学習応用について概観する。
我々は、医療におけるIoTのオープンな課題を強調し、さらなる研究と研究を科学者に委ねている。
論文 参考訳（メタデータ） (2022-02-06T21:56:39Z) - FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。
FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。
分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
論文 参考訳（メタデータ） (2021-05-25T08:02:44Z) - 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) - Network Traffic Analysis based IoT Device Identification [1.3484794751207887]
デバイス識別 (Device Identification) とは、インターネット上のデバイスを、割り当てられたネットワークやその他の認証情報を使わずに識別するプロセスである。
ネットワークでは、従来のIoTデバイスはIPまたはMACアドレスを利用して互いに識別する。
IoTデバイスの問題を緩和するために、デバイス識別のための指紋(DFP)を使用することができる。
論文 参考訳（メタデータ） (2020-09-10T06:28:11Z) - 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)
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。