Fugu-MT 論文翻訳(概要): Towards Efficient Machine Learning Method for IoT DDoS Attack Detection

論文の概要: Towards Efficient Machine Learning Method for IoT DDoS Attack Detection

arxiv url: http://arxiv.org/abs/2408.10267v1
Date: Fri, 16 Aug 2024 09:41:54 GMT
ステータス: 処理完了
システム内更新日: 2024-08-21 18:28:07.440148
Title: Towards Efficient Machine Learning Method for IoT DDoS Attack Detection
Title（参考訳）: IoT DDoS攻撃検出のための機械学習の効率化に向けて
Authors: P Modi,
Abstract要約: IoTデバイスによるDDoS攻撃は、インターネット上で実行されるアプリケーションの大幅なダウンタイムを引き起こす可能性がある。本稿では,最も有用な機能のみを選択し,それらの機能をXGBoostモデルに渡すハイブリッド機能選択アルゴリズムを提案する。私たちのモデルは、CIC IDS 2017データセットで99.993%の精度、CIC IoT 2023データセットで97.64%のリコールを実現しています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the rise in the number of IoT devices and its users, security in IoT has become a big concern to ensure the protection from harmful security attacks. In the recent years, different variants of DDoS attacks have been on the rise in IoT devices. Failure to detect DDoS attacks at the right time can result in financial and reputational loss for victim organizations. These attacks conducted with IoT devices can cause a significant downtime of applications running on the Internet. Although researchers have developed and utilized specialized models using artificial intelligence techniques, these models do not provide the best accuracy as there is always a scope of improvement until 100% accuracy is attained. We propose a hybrid feature selection algorithm that selects only the most useful features and passes those features into an XGBoost model, the results of which are explained using feature importances. Our model attains an accuracy of 99.993% on the CIC IDS 2017 dataset and a recall of 97.64 % on the CIC IoT 2023 dataset. Overall, this research would help researchers and implementers in the field of detecting IoT DDoS attacks by providing a more accurate and comparable model.
Abstract（参考訳）: IoTデバイスとそのユーザの増加に伴い、IoTのセキュリティは、有害なセキュリティ攻撃から保護されることを確実にする、という大きな関心事になっている。近年、IoTデバイスでは、DDoS攻撃のさまざまなバリエーションが増加している。 DDoS攻撃を適切なタイミングで検出できないと、被害者の組織に金銭的および評判が損なわれる可能性がある。 IoTデバイスで実行されるこれらの攻撃は、インターネット上で実行されるアプリケーションの大幅なダウンタイムを引き起こす可能性がある。研究者は、人工知能技術を用いて専門モデルを開発し、利用してきたが、これらのモデルは、100%の精度に到達するまで常に改善の範囲があるため、最良の精度を提供していない。本稿では,最も有用な特徴のみを選択し,それらの特徴をXGBoostモデルに渡すハイブリッド特徴選択アルゴリズムを提案する。私たちのモデルは、CIC IDS 2017データセットで99.993%の精度、CIC IoT 2023データセットで97.64%のリコールを実現しています。全体として、この研究は、より正確で同等のモデルを提供することで、IoT DDoS攻撃を検出する分野の研究者や実装者に役立つだろう。

関連論文リスト

A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks [0.0]
通常のネットワークトラフィックからのDDoS攻撃の検出において、XGBoostのようなさまざまな機械学習モデルの有効性を評価する。これらのモデルの有効性は分析され、機械学習がIoTセキュリティフレームワークを大幅に強化する方法が示されている。
論文参考訳（メタデータ） (2024-11-08T12:23:41Z)
FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文参考訳（メタデータ） (2024-03-26T08:51:23Z)
Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
論文参考訳（メタデータ） (2024-03-16T16:45:28Z)
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)
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)
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)
Publishing Efficient On-device Models Increases Adversarial Vulnerability [58.6975494957865]
本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
論文参考訳（メタデータ） (2022-12-28T05:05:58Z)
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)
SETTI: A Self-supervised Adversarial Malware Detection Architecture in an IoT Environment [20.586904296213007]
本稿では,モノのインターネットネットワーク(SETTI)におけるマルウェアを検出するための,敵の自己管理型アーキテクチャを提案する。 SETTIアーキテクチャでは,Self-MDS,GSelf-MDS,ASelf-MDSの3つの自己教師型攻撃手法を設計する。攻撃と防御のアルゴリズムを検証するために、最近の2つのIoTデータセット、IoT23とNBIoTで実験を行います。
論文参考訳（メタデータ） (2022-04-16T10:10:59Z)
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach [8.641714871787595]
機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
論文参考訳（メタデータ） (2020-12-16T16:39:55Z)
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。