論文の概要: A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection

• arxiv url: http://arxiv.org/abs/2412.19830v1
• Date: Thu, 19 Dec 2024 22:38:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 09:06:41.879376
• Title: A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection
• Title（参考訳）: コンテキスト認識型IoT管理と最先端IoTトラフィック異常検出のための統一フレームワーク
• Authors: Daniel Adu Worae, Athar Sheikh, Spyridon Mastorakis,
• Abstract要約: 我々は、IoT管理タスクのためのコンテキスト駆動型大規模言語モデル(LLM)と、ネットワークトラフィック分析のための微調整された異常検出モジュールを組み合わせた統合フレームワークを提案する。 このフレームワークは、IoTマニュアルや運用データからコンテキスト知識を活用することにより、デバイス管理やトラブルシューティング、セキュリティ執行といった管理プロセスを合理化する。
• 参考スコア（独自算出の注目度）: 1.8024397171920885
• License:
• Abstract: The rapid expansion of Internet of Things (IoT) ecosystems has introduced growing complexities in device management and network security. To address these challenges, we present a unified framework that combines context-driven large language models (LLMs) for IoT administrative tasks with a fine-tuned anomaly detection module for network traffic analysis. The framework streamlines administrative processes such as device management, troubleshooting, and security enforcement by harnessing contextual knowledge from IoT manuals and operational data. The anomaly detection model achieves state-of-the-art performance in identifying irregularities and threats within IoT traffic, leveraging fine-tuning to deliver exceptional accuracy. Evaluations demonstrate that incorporating relevant contextual information significantly enhances the precision and reliability of LLM-based responses for diverse IoT administrative tasks. Additionally, resource usage metrics such as execution time, memory consumption, and response efficiency demonstrate the framework's scalability and suitability for real-world IoT deployments.
• Abstract（参考訳）: IoT(Internet of Things)エコシステムの急速な拡大により、デバイス管理とネットワークセキュリティの複雑さが増している。 これらの課題に対処するために、IoT管理タスクのためのコンテキスト駆動型大規模言語モデル(LLM)と、ネットワークトラフィック分析のための微調整された異常検出モジュールを組み合わせた統合フレームワークを提案する。 このフレームワークは、IoTマニュアルや運用データからコンテキスト知識を活用することにより、デバイス管理やトラブルシューティング、セキュリティ執行といった管理プロセスを合理化する。 異常検出モデルは、IoTトラフィック内の不規則性と脅威を特定し、微調整を活用して異常な精度を実現する、最先端のパフォーマンスを実現する。 評価により、関連するコンテキスト情報を統合することで、多様なIoT管理タスクに対するLCMベースのレスポンスの精度と信頼性が大幅に向上することが示された。 さらに、実行時間、メモリ消費、レスポンス効率といったリソース使用量のメトリクスは、実際のIoTデプロイメントに対するフレームワークのスケーラビリティと適合性を示している。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Empowering IoT Applications with Flexible, Energy-Efficient Remote Management of Low-Power Edge Devices [0.0]
  本稿では,低消費電力エッジデバイスにおける個々のマイクロサービスのきめ細かいモニタリングと管理のための新しいアプローチを提案する。 提案手法は,モジュール化技術を活用することにより,IoTエッジデバイスの運用上の柔軟性を実現する。
  論文  参考訳（メタデータ） (2024-04-26T10:04:22Z)
• Enhancing IoT Malware Detection through Adaptive Model Parallelism and Resource Optimization [0.6856683556201506]
  本研究では,IoTデバイスに適したマルウェア検出手法を提案する。 リソースの可用性、進行中のワークロード、通信コストに基づいて、マルウェア検出タスクはデバイス上で動的に割り当てられるか、隣接するIoTノードにオフロードされる。 実験結果から,本手法はデバイス上での推測に比べて9.8倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T20:51:25Z)
• 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)
• Towards Artificial General Intelligence (AGI) in the Internet of Things (IoT): Opportunities and Challenges [55.82853124625841]
  人工知能(Artificial General Intelligence, AGI)は、人間の認知能力でタスクを理解し、学習し、実行することができる能力を持つ。 本研究は,モノのインターネットにおけるAGIの実現に向けた機会と課題を探究する。 AGIに注入されたIoTの応用スペクトルは広く、スマートグリッド、住宅環境、製造、輸送から環境モニタリング、農業、医療、教育まで幅広い領域をカバーしている。
  論文  参考訳（メタデータ） (2023-09-14T05:43:36Z)
• Bringing AI to the edge: A formal M&S specification to deploy effective IoT architectures [0.0]
  モノのインターネットは私たちの社会を変え、生活の質と資源管理を改善する新しいサービスを提供しています。 これらのアプリケーションは、限られたコンピューティングリソースとパワーを持つ、複数の分散デバイスのユビキタスネットワークに基づいている。 フォグコンピューティングのような新しいアーキテクチャが登場し、コンピューティング基盤をデータソースに近づけている。
  論文  参考訳（メタデータ） (2023-05-11T21:29:58Z)
• Multi-Tier Hierarchical Federated Learning-assisted NTN for Intelligent IoT Services [24.10349383347469]
  本研究では,分散型協調学習環境の育成におけるMT-HFLの役割について考察する。 これにより、IoTデバイスがコントリビューションだけでなく、ネットワーク管理において情報的な決定を行うことが可能になる。 このセットアップにより、効率的なデータ処理、高度なプライバシとセキュリティ対策、および変動するネットワーク条件への応答が保証される。
  論文  参考訳（メタデータ） (2023-05-09T14:03:22Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• 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)
• 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)
• 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。