論文の概要: CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models

• arxiv url: http://arxiv.org/abs/2501.18549v1
• Date: Thu, 30 Jan 2025 18:22:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:13:29.528954
• Title: CryptoDNA: A Machine Learning Paradigm for DDoS Detection in Healthcare IoT, Inspired by crypto jacking prevention Models
• Title（参考訳）: CryptoDNA: 医療用IoTにおけるDDoS検出のための機械学習パラダイム
• Authors: Zag ElSayed, Ahmed Abdelgawad, Nelly Elsayed,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The rapid integration of the Internet of Things (IoT) and Internet of Medical (IoM) devices in the healthcare industry has markedly improved patient care and hospital operations but has concurrently brought substantial risks. Distributed Denial-of-Service (DDoS) attacks present significant dangers, jeopardizing operational stability and patient safety. This study introduces CryptoDNA, an innovative machine learning detection framework influenced by cryptojacking detection methods, designed to identify and alleviate DDoS attacks in healthcare IoT settings. The proposed approach relies on behavioral analytics, including atypical resource usage and network activity patterns. Key features derived from cryptojacking-inspired methodologies include entropy-based analysis of traffic, time-series monitoring of device performance, and dynamic anomaly detection. A lightweight architecture ensures inter-compatibility with resource-constrained IoT devices while maintaining high detection accuracy. The proposed architecture and model were tested in real-world and synthetic datasets to demonstrate the model's superior performance, achieving over 96% accuracy with minimal computational overhead. Comparative analysis reveals its resilience against emerging attack vectors and scalability across diverse device ecosystems. By bridging principles from cryptojacking and DDoS detection, CryptoDNA offers a robust, innovative solution to fortify the healthcare IoT landscape against evolving cyber threats and highlights the potential of interdisciplinary approaches in adaptive cybersecurity defense mechanisms for critical healthcare infrastructures.
• Abstract（参考訳）: 医療業界におけるIoT(Internet of Things)とIoM(Internet of Medical)の急速な統合は、患者のケアと病院業務を大幅に改善したが、同時に大きなリスクもたらした。 DDoS(Distributed Denial-of-Service)攻撃は、運用上の安定性と患者の安全性を危険にさらす。 本研究は、医療用IoT設定におけるDDoS攻撃を識別・緩和するために設計された、暗号鍵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。 提案手法は、非定型的なリソース利用やネットワーク活動パターンを含む行動分析に依存する。 暗号ジャッキングにインスパイアされた手法の主な特徴は、トラフィックのエントロピーに基づく分析、デバイスパフォーマンスの時系列モニタリング、動的異常検出である。 軽量アーキテクチャは、高い検出精度を維持しながら、リソース制限されたIoTデバイスとの互換性を保証する。 提案したアーキテクチャとモデルは、実際のおよび合成データセットでテストされ、モデルの優れた性能を実証し、計算オーバーヘッドを最小限にして96%以上の精度を達成した。 比較分析は、出現する攻撃ベクトルに対するレジリエンスと、さまざまなデバイスエコシステムにわたるスケーラビリティを明らかにしている。 暗号ジャッキングとDDoS検出の原則をブリッジすることによって、CryptoDNAは、進化するサイバー脅威に対して、医療IoTの展望を固める堅牢で革新的なソリューションを提供し、重要な医療インフラに対する適応型サイバーセキュリティ防御メカニズムにおける学際的アプローチの可能性を強調している。

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)
• Machine Learning-Assisted Intrusion Detection for Enhancing Internet of Things Security [1.2369895513397127]
  IoT(Internet of Things)に対する攻撃は、デバイス、アプリケーション、インタラクションのネットワーク化と統合化が進むにつれて増加している。 IoTデバイスを効率的にセキュアにするためには、侵入システムのリアルタイム検出が重要である。 本稿では、IoTセキュリティのための機械学習ベースの侵入検知戦略に関する最新の研究について検討する。
  論文  参考訳（メタデータ） (2024-10-01T19:24:34Z)
• Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
  産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。 製品ライフサイクルを通じてデータをデジタル化することにより、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。 GenAIはDTの構築と更新を推進し、予測精度を改善し、多様なスマート製造に備える。
  論文  参考訳（メタデータ） (2024-08-02T10:47:10Z)
• 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)
• Generative AI for Secure Physical Layer Communications: A Survey [80.0638227807621]
  Generative Artificial Intelligence(GAI)は、AIイノベーションの最前線に立ち、多様なコンテンツを生成するための急速な進歩と非並行的な能力を示す。 本稿では,通信ネットワークの物理層におけるセキュリティ向上におけるGAIの様々な応用について,広範な調査を行う。 私たちは、物理的レイヤセキュリティの課題に対処する上で、GAIの役割を掘り下げ、通信の機密性、認証、可用性、レジリエンス、整合性に重点を置いています。
  論文  参考訳（メタデータ） (2024-02-21T06:22:41Z)
• 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)
• Generative AI-Driven Human Digital Twin in IoT-Healthcare: A Comprehensive Survey [53.691704671844406]
  IoT(Internet of Things)は、特にヘルスケアにおいて、人間の生活の質を大幅に向上させる。 ヒトデジタルツイン(HDT)は、個体の複製を包括的に特徴付ける革新的なパラダイムとして提案されている。 HDTは、多用途で生き生きとした人間のデジタルテストベッドとして機能することで、医療監視の応用を超えて、IoTヘルスの強化を図っている。 最近、生成人工知能(GAI)は、高度なAIアルゴリズムを利用して、多種多様なデータを自動的に生成、操作、修正できるため、有望なソリューションである可能性がある。
  論文  参考訳（メタデータ） (2024-01-22T03:17:41Z)
• 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)
• Intrusion Detection using Network Traffic Profiling and Machine Learning for IoT [2.309914459672557]
  単一の妥協されたデバイスがネットワーク全体に影響を与え、セキュリティと物理的に大きなダメージを与える可能性がある。 本稿では、ネットワークプロファイリングと機械学習を用いて、サイバー攻撃に対してIoTを保護する可能性について検討する。
  論文  参考訳（メタデータ） (2021-09-06T15:30:10Z)
• Increasing the Confidence of Deep Neural Networks by Coverage Analysis [71.57324258813674]
  本稿では、異なる安全でない入力に対してモデルを強化するために、カバレッジパラダイムに基づく軽量な監視アーキテクチャを提案する。 実験結果から,提案手法は強力な対向例とアウト・オブ・ディストリビューション・インプットの両方を検出するのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-01-28T16:38:26Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。