論文の概要: Lightweight Dataset for Decoy Development to Improve IoT Security

• arxiv url: http://arxiv.org/abs/2407.19926v1
• Date: Mon, 29 Jul 2024 12:01:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 13:56:27.255624
• Title: Lightweight Dataset for Decoy Development to Improve IoT Security
• Title（参考訳）: IoTセキュリティを改善するためのデコイ開発のための軽量データセット
• Authors: David Weissman, Anura P. Jayasumana,
• Abstract要約: 本稿では,IoT(Internet of Things)アクティビティをデコイを作成する準備として,軽量なデータセットを提案する。 データセットは、実際のネットワーク設定で異なるシナリオから構成される。
• 参考スコア（独自算出の注目度）: 0.1227734309612871
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, the authors introduce a lightweight dataset to interpret IoT (Internet of Things) activity in preparation to create decoys by replicating known data traffic patterns. The dataset comprises different scenarios in a real network setting. This paper also surveys information related to other IoT datasets along with the characteristics that make our data valuable. Many of the datasets available are synthesized (simulated) or often address industrial applications, while the IoT dataset we present is based on likely smart home scenarios. Further, there are only a limited number of IoT datasets that contain both normal operation and attack scenarios. A discussion of the network configuration and the steps taken to prepare this dataset are presented as we prepare to create replicative patterns for decoy purposes. The dataset, which we refer to as IoT Flex Data, consists of four categories, namely, IoT benign idle, IoT benign active, IoT setup, and malicious (attack) traffic associating the IoT devices with the scenarios under consideration.
• Abstract（参考訳）: 本稿では,IoT(Internet of Things)アクティビティを解釈し,既知のデータトラフィックパターンを複製してデコイを生成するための,軽量データセットを提案する。 データセットは、実際のネットワーク設定で異なるシナリオから構成される。 本稿は、他のIoTデータセットに関連する情報と、データを価値あるものにする特徴についても調査する。 利用可能なデータセットの多くは、合成(シミュレート)されるか、産業アプリケーションに対処することが多いが、現在のIoTデータセットは、おそらくスマートホームシナリオに基づいています。 さらに、通常の操作とアタックシナリオの両方を含む、限られた数のIoTデータセットしかありません。 ネットワーク構成に関する議論と、このデータセットの作成に要するステップが示され、デコイ目的のために複製パターンを作成する準備が整った。 IoT Flex Dataと呼ばれるデータセットは、IoTビーンのアイドル、IoTビーンのアクティブ、IoTセットアップ、IoTデバイスを考慮中のシナリオに関連付ける悪意のある(アタック)トラフィックという、4つのカテゴリで構成されています。

関連論文リスト

• 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)
• Speech Emotion Recognition under Resource Constraints with Data Distillation [64.36799373890916]
  音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす。 モノのインターネットにおけるエッジデバイスの出現は、複雑なディープラーニングモデルを構築する上での課題を示している。 本研究では,IoTアプリケーションにおけるSERモデルの効率的な開発を容易にするためのデータ蒸留フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-21T13:10:46Z)
• IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways [45.44831696628473]
  本稿では,IoTゲートウェイとホームオートメーションプラットフォームがIoTトラフィックのキャプチャと分析を行うことを可能にする,オープンソースの法医学ツールであるIoTScentを紹介する。 IoTScentは特に、Zigbeeや6LoWPAN、Threadといった多くのIoT固有のプロトコルの基礎であるIEEE5.4ベースのトラフィックを操作するように設計されている。 この作業は、Zigbeeトラフィックからデバイス識別を実行するためのツールの使用を実証する実用的なユースケースを含む、IoTScentツールの包括的な説明を提供する。
  論文  参考訳（メタデータ） (2023-10-05T09:10:05Z)
• TRoVE: Transforming Road Scene Datasets into Photorealistic Virtual Environments [84.6017003787244]
  本研究では、シミュレーションデータセットに存在する困難とドメインギャップに対処する合成データ生成パイプラインを提案する。 既存のデータセットからアノテーションや視覚的手がかりを利用すれば、自動マルチモーダルデータ生成が容易になることを示す。
  論文  参考訳（メタデータ） (2022-08-16T20:46:08Z)
• CoAP-DoS: An IoT Network Intrusion Dataset [0.0]
  IoT(Internet of Things)デバイスは、DoS攻撃の影響を受けやすい。 多くのネットワークトラフィックデータセットがあるが、IoTネットワークトラフィックに焦点を当てているものはほとんどない。 我々は、実際のCoAPによるサービスアタックの否定からネットワークトラフィックを収集することで、新しいデータセットを開発する。
  論文  参考訳（メタデータ） (2022-06-29T00:50:15Z)
• Computational Intelligence and Deep Learning for Next-Generation Edge-Enabled Industrial IoT [51.68933585002123]
  エッジ対応産業用IoTネットワークにおける計算知能とディープラーニング(DL)の展開方法について検討する。 本稿では,新しいマルチエグジットベースフェデレーションエッジ学習(ME-FEEL)フレームワークを提案する。 特に、提案されたME-FEELは、非常に限られたリソースを持つ産業用IoTネットワークにおいて、最大32.7%の精度を達成することができる。
  論文  参考訳（メタデータ） (2021-10-28T08:14:57Z)
• Software-Defined Edge Computing: A New Architecture Paradigm to Support IoT Data Analysis [21.016796500957977]
  本稿では,IoTデータの特徴,IoTネットワークアーキテクチャの動向,IoTデータ解析の問題点,その解決方法について紹介する。 具体的には、ソフトウェア定義エッジコンピューティングは、IoTデータ分析のユニークなニーズをサポートする有望なアーキテクチャであると考えています。
  論文  参考訳（メタデータ） (2021-04-22T11:19:20Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)
• Machine learning and data analytics for the IoT [8.39035688352917]
  機械学習解析におけるIoT生成データの処理方法について概観する。 我々は、IoTアプリケーションが他のIoTアプリケーションから適応的に学習できるフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-30T07:38:31Z)

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。