論文の概要: A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2411.05890v1
• Date: Fri, 08 Nov 2024 12:23:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:29.126845
• Title: A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks
• Title（参考訳）: IoTネットワークにおけるDDoS検出のための機械学習モデルの比較分析
• Authors: Sushil Shakya, Robert Abbas,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper presents the detection of DDoS attacks in IoT networks using machine learning models. Their rapid growth has made them highly susceptible to various forms of cyberattacks, many of whose security procedures are implemented in an irregular manner. It evaluates the efficacy of different machine learning models, such as XGBoost, K-Nearest Neighbours, Stochastic Gradient Descent, and Na\"ive Bayes, in detecting DDoS attacks from normal network traffic. Each model has been explained on several performance metrics, such as accuracy, precision, recall, and F1-score to understand the suitability of each model in real-time detection and response against DDoS threats. This comparative analysis will, therefore, enumerate the unique strengths and weaknesses of each model with respect to the IoT environments that are dynamic and hence moving in nature. The effectiveness of these models is analyzed, showing how machine learning can greatly enhance IoT security frameworks, offering adaptive, efficient, and reliable DDoS detection capabilities. These findings have shown the potential of machine learning in addressing the pressing need for robust IoT security solutions that can mitigate modern cyber threats and assure network integrity.
• Abstract（参考訳）: 本稿では,機械学習モデルを用いたIoTネットワークにおけるDDoS攻撃の検出について述べる。 その急速な成長は、セキュリティ手順が不規則な方法で実施されている様々なサイバー攻撃の影響を非常に受けやすくしている。 通常のネットワークトラフィックからDDoS攻撃を検出する上で、XGBoost、K-Nearest Neighbours、Stochastic Gradient Descent、Na\"ive Bayesなど、さまざまな機械学習モデルの有効性を評価する。 各モデルは、リアルタイム検出とDDoS脅威に対する応答において、各モデルの適合性を理解するために、精度、精度、リコール、F1スコアなど、いくつかのパフォーマンス指標で説明されている。 この比較分析は、動的で自然に移動するIoT環境に関して、各モデルのユニークな長所と短所を列挙する。 これらのモデルの有効性を分析し、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し、適応性、効率的、信頼性の高いDDoS検出機能を提供する方法を示している。 これらの調査結果は、現代的なサイバー脅威を軽減し、ネットワークの整合性を保証する、堅牢なIoTセキュリティソリューションの必要性に、機械学習が対処する可能性を示している。

関連論文リスト

• CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models [0.0]
  医療業界におけるIoT(Internet of Things)とIoM(Internet of Medical)の急速な統合は、患者のケアと病院運営を大幅に改善した。 DDoS攻撃には重大な危険があり、運用上の安定性と患者の安全性を損なう。 本研究は,暗号ジャッキング検出手法に影響された,革新的な機械学習検出フレームワークであるCryptoDNAを紹介する。
  論文  参考訳（メタデータ） (2025-01-30T18:22:16Z)
• Countering Autonomous Cyber Threats [40.00865970939829]
  ファンデーションモデルは、サイバードメイン内で広く、特に二元的関心事を提示します。 近年の研究では、これらの先進的なモデルが攻撃的なサイバースペース操作を通知または独立に実行する可能性を示している。 この研究は、孤立したネットワークでマシンを妥協する能力について、最先端のいくつかのFMを評価し、そのようなAIによる攻撃を倒す防御メカニズムを調査する。
  論文  参考訳（メタデータ） (2024-10-23T22:46:44Z)
• Towards Efficient Machine Learning Method for IoT DDoS Attack Detection [0.0]
  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。
  論文  参考訳（メタデータ） (2024-08-16T09:41:54Z)
• Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
  我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。 本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。 このアプローチは、潜在空間における表現学習の強みを生かしている。
  論文  参考訳（メタデータ） (2024-06-04T03:22:52Z)
• 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)
• Dependable Intrusion Detection System for IoT: A Deep Transfer Learning-based Approach [0.0]
  本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。 これは、少量のラベル付きデータに対して、通常のシナリオとアタックシナリオを特定するのに最も適している、効果的な属性選択を含んでいる。 また、信頼性の高い深層移動学習ベースのResNetモデルや、実世界のデータを考慮した評価も含んでいる。
  論文  参考訳（メタデータ） (2022-04-11T02:46:22Z)
• AdIoTack: Quantifying and Refining Resilience of Decision Tree Ensemble Inference Models against Adversarial Volumetric Attacks on IoT Networks [1.1172382217477126]
  本稿では,敵攻撃に対する決定木の脆弱性を強調するシステムであるAdIoTackを紹介する。 最悪のシナリオのモデルを評価するために、AdIoTackは、ホワイトボックスの敵学習を実行し、ボリューム攻撃を成功させる。 モデルがIoTデバイスに対する非敵のボリューム攻撃を検知し、多くの敵の攻撃を欠いていることを実証する。
  論文  参考訳（メタデータ） (2022-03-18T08:18:03Z)
• On the Security Risks of AutoML [38.03918108363182]
  Neural Architecture Search(NAS)は、与えられたタスクに適したモデルを自動的に検索する、新たな機械学習パラダイムである。 手動で設計したモデルと比較すると、NAS生成モデルは様々な悪意ある攻撃に対して大きな脆弱性を被る傾向にある。 本稿では,セル深さの増大やスキップ接続の抑制など,このような欠点を軽減するための対策の可能性について論じる。
  論文  参考訳（メタデータ） (2021-10-12T14:04:15Z)
• Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
  モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。 異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。 Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
  論文  参考訳（メタデータ） (2020-06-18T14:50:08Z)
• Security of Distributed Machine Learning: A Game-Theoretic Approach to Design Secure DSVM [31.480769801354413]
  この研究は、データ中毒やネットワーク攻撃から学習を保護するために、セキュアな分散アルゴリズムを開発することを目的としている。 我々は,分散サポートベクトルマシン(SVM)を使用する学習者と,トレーニングデータやラベルを変更することができる攻撃者の相反する目標を捉えるためのゲーム理論の枠組みを確立する。 数値的な結果から,分散SVMは異なるタイプの攻撃で失敗する傾向にあり,ネットワーク構造や攻撃能力に強い依存があることが分かる。
  論文  参考訳（メタデータ） (2020-03-08T18:54:17Z)

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。