論文の概要: A Systematic Mapping Study on SDN Controllers for Enhancing Security in IoT Networks

• arxiv url: http://arxiv.org/abs/2408.01303v1
• Date: Fri, 2 Aug 2024 14:44:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-05 13:07:59.479256
• Title: A Systematic Mapping Study on SDN Controllers for Enhancing Security in IoT Networks
• Title（参考訳）: IoTネットワークにおけるセキュリティ向上のためのSDNコントローラに関するシステマティックマッピング
• Authors: Charles Oredola, Adnan Ashraf,
• Abstract要約: SDNコントローラを用いたIoTネットワークのセキュリティ向上に関する現在の知見をレビューする。 IoTネットワークのセキュア化に一般的に使用されるSDNコントローラアーキテクチャは,集中型コントローラアーキテクチャである,と我々は結論付けている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context: The increase in Internet of Things (IoT) devices gives rise to an increase in deceptive manipulations by malicious actors. These actors should be prevented from targeting the IoT networks. Cybersecurity threats have evolved and become dynamically sophisticated, such that they could exploit any vulnerability found in IoT networks. However, with the introduction of the Software Defined Network (SDN) in the IoT networks as the central monitoring unit, IoT networks are less vulnerable and less prone to threats. %Although, the SDN itself is vulnerable to several threats. Objective: To present a comprehensive and unbiased overview of the state-of-the-art on IoT networks security enhancement using SDN controllers. Method: We review the current body of knowledge on enhancing the security of IoT networks using SDN with a Systematic Mapping Study (SMS) following the established guidelines. Results: The SMS result comprises 33 primary studies analyzed against four major research questions. The SMS highlights current research trends and identifies gaps in the SDN-IoT network security. Conclusion: We conclude that the SDN controller architecture commonly used for securing IoT networks is the centralized controller architecture. However, this architecture is not without its limitations. Additionally, the predominant technique utilized for risk mitigation is machine learning.
• Abstract（参考訳）: コンテキスト:モノのインターネット(IoT)デバイスの増加は、悪意のあるアクターによる偽装操作の増加を引き起こします。 これらのアクターは、IoTネットワークをターゲットにしてはならない。 サイバーセキュリティの脅威は、IoTネットワークにある脆弱性を悪用できるように、進化し、動的に洗練されたものになっている。 しかしながら、中央監視ユニットとしてIoTネットワークにSoftware Defined Network(SDN)が導入されることにより、IoTネットワークの脆弱性は低く、脅威も少なくなっている。 しかし、SDN自体はいくつかの脅威に対して脆弱である。 目的: SDNコントローラを使用したIoTネットワークのセキュリティ強化に関する最新の技術の概要を、包括的で偏見のない概要として示す。 方法:確立したガイドラインに従って,システムマッピング研究(SMS)を用いてSDNを用いたIoTネットワークのセキュリティ向上に関する現在の知見をレビューする。 結果: SMSは4つの主要な研究課題に対して分析された33の初等研究からなる。 SMSは現在の研究トレンドを強調し、SDN-IoTネットワークセキュリティのギャップを特定する。 結論: IoTネットワークのセキュア化に一般的に使用されるSDNコントローラアーキテクチャは,集中型コントローラアーキテクチャである,と結論付けています。 しかし、このアーキテクチャには限界はない。 さらに、リスク軽減に使用される主な技術は機械学習である。

関連論文リスト

• A Comprehensive Analysis of Routing Vulnerabilities and Defense Strategies in IoT Networks [0.0]
  IoT(Internet of Things)はさまざまなドメインに革命をもたらし、相互接続性の向上とデータ交換を通じて大きなメリットを提供している。 しかし、IoTネットワークに関連するセキュリティ上の課題は、その固有の脆弱性のため、ますます顕著になっている。 本稿では、IoTアーキテクチャにおけるネットワーク層の詳細分析を行い、ルーティングアタックによる潜在的なリスクを明らかにする。
  論文  参考訳（メタデータ） (2024-10-17T04:38:53Z)
• Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
  侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。 軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-04T20:36:21Z)
• 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)
• Blockchain and Deep Learning-Based IDS for Securing SDN-Enabled Industrial IoT Environments [11.04540520633849]
  ソフトウェア定義ネットワーク(SDN)ベースのIIoTアーキテクチャに関連するセキュリティ脅威の検出と防止のための統合手法を提案する。 この2つのコンポーネントは、SDNアプリケーションとして実装された畳み込みニューラルネットワークベースの侵入検知システム(IDS)と、アプリケーション層とネットワーク層セキュリティを強化するインジェクションベースのシステム(BS)で構成されている。 提案したIDSは、二進分類と多進分類の両方において優れた分類精度を示す。
  論文  参考訳（メタデータ） (2023-12-31T11:49:42Z)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• IoT Device Identification Based on Network Communication Analysis Using Deep Learning [43.0717346071013]
  組織のネットワークに対する攻撃のリスクは、セキュリティの低いIoTデバイスの使用の増加によって増大している。 この脅威に対処し、ネットワークを保護するために、組織は通常、ホワイトリストのIoTデバイスのみをネットワーク上で許可するセキュリティポリシを実装します。 本研究では、ネットワーク上で許可されたIoTデバイスの自動識別のためのネットワーク通信にディープラーニングを適用した。
  論文  参考訳（メタデータ） (2023-03-02T13:44:58Z)
• IoT Botnet Detection Using an Economic Deep Learning Model [0.0]
  本稿では,IoTボットネット攻撃をさまざまな種類の攻撃とともに検出する経済的な深層学習モデルを提案する。 提案モデルは,実装予算を小さくし,訓練と検出の高速化を図ることで,最先端の検知モデルよりも高い精度を実現した。
  論文  参考訳（メタデータ） (2023-02-03T21:41:17Z)
• Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network [0.0]
  モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。 IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。 本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-07-16T11:12:32Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• 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)
• 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。