論文の概要: Towards Detecting IoT Event Spoofing Attacks Using Time-Series Classification

• arxiv url: http://arxiv.org/abs/2407.19662v1
• Date: Mon, 29 Jul 2024 02:52:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 15:16:04.599185
• Title: Towards Detecting IoT Event Spoofing Attacks Using Time-Series Classification
• Title（参考訳）: 時系列分類を用いたIoTイベントスポフィング攻撃の検出に向けて
• Authors: Uzma Maroof, Gustavo Batista, Arash Shaghaghi, Sanjay Jha,
• Abstract要約: モノのインターネット(IoT)デバイスは、現実世界と直接対話できるため、人気が高まっている。 デプロイされたセンサーからのイベント指紋は、密封されたイベントを検出するために使用されている。 イベントスプーフィング攻撃を検出するために、高度な機械学習をデプロイします。
• 参考スコア（独自算出の注目度）: 4.487333825879047
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Internet of Things (IoT) devices have grown in popularity since they can directly interact with the real world. Home automation systems automate these interactions. IoT events are crucial to these systems' decision-making but are often unreliable. Security vulnerabilities allow attackers to impersonate events. Using statistical machine learning, IoT event fingerprints from deployed sensors have been used to detect spoofed events. Multivariate temporal data from these sensors has structural and temporal properties that statistical machine learning cannot learn. These schemes' accuracy depends on the knowledge base; the larger, the more accurate. However, the lack of huge datasets with enough samples of each IoT event in the nascent field of IoT can be a bottleneck. In this work, we deployed advanced machine learning to detect event-spoofing assaults. The temporal nature of sensor data lets us discover important patterns with fewer events. Our rigorous investigation of a publicly available real-world dataset indicates that our time-series-based solution technique learns temporal features from sensor data faster than earlier work, even with a 100- or 500-fold smaller training sample, making it a realistic IoT solution.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスは、現実世界と直接対話できるため、人気が高まっている。 ホームオートメーションシステムはこれらのインタラクションを自動化する。 IoTイベントは、これらのシステムの意思決定に不可欠だが、しばしば信頼性が低い。 セキュリティ上の脆弱性により、攻撃者はイベントを偽装することができる。 統計的機械学習を使用して、デプロイされたセンサーからのIoTイベント指紋を使用して、偽造イベントを検出する。 これらのセンサからの多変量時間データは、統計的機械学習が学習できない構造的および時間的特性を持つ。 これらのスキームの精度は知識ベースに依存する。 しかし、IoTの初期段階において、各IoTイベントの十分なサンプルを持つ巨大なデータセットが欠如していることは、ボトルネックになる可能性がある。 本研究では、イベントスプーフィング攻撃を検出するために、高度な機械学習をデプロイした。 センサデータの時間的性質により、より少ないイベントで重要なパターンを見つけることができる。 公開されている実世界のデータセットを厳格に調査した結果、時系列ベースのソリューション技術は、100倍ないし500倍の小さなトレーニングサンプルであっても、以前の作業よりも早く、センサデータから時間的特徴を学習し、現実的なIoTソリューションになります。

関連論文リスト

• Leveraging Foundation Models for Zero-Shot IoT Sensing [5.319176383069102]
  ディープラーニングモデルは、エッジIoT(Internet of Things)デバイスにますますデプロイされている。 ZSLは意味情報の助けを借りて、目に見えないクラスのデータを分類することを目的としている。 本研究では、ゼロショットIoTセンシングのためのFMテキストエンコーダによって生成されたセマンティック埋め込みと、IoTデータの埋め込みを一致させる。
  論文  参考訳（メタデータ） (2024-07-29T11:16:48Z)
• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• 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)
• Prototype of deployment of Federated Learning with IoT devices [0.0]
  要求される大量のリソース、データ、データは、モバイルデバイス、センサー、その他のIoTデバイスに格納される。 同時に、これらのデバイスは優れたモデルをトレーニングするのに十分なデータや計算能力を持っていない。 フェデレートラーニング(FL)は、デバイスが協調的に学習できる革新的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-11-24T10:37:30Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• Intrusion Detection in Internet of Things using Convolutional Neural Networks [4.718295605140562]
  CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。 データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。 実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
  論文  参考訳（メタデータ） (2022-11-18T07:27:07Z)
• SECOE: Alleviating Sensors Failure in Machine Learning-Coupled IoT Systems [0.0]
  本論文は,センサ障害を同時に緩和するための積極的なアプローチであるSECOEを提案する。 SECOEは、センサー間の相関を利用してアンサンブル内のモデル数を最小化する新しい技術を含んでいる。 実験の結果,SECOEはセンサ故障の有無の予測精度を効果的に維持することがわかった。
  論文  参考訳（メタデータ） (2022-10-05T10:58:39Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
  この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。 我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。 99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
  論文  参考訳（メタデータ） (2020-01-28T23:13:12Z)

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。