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

• Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
  従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。 本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。 局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
  論文  参考訳（メタデータ） (2025-02-14T23:11:51Z)
• MDHP-Net: Detecting Injection Attacks on In-vehicle Network using Multi-Dimensional Hawkes Process and Temporal Model [44.356505647053716]
  本稿では、インジェクションアタックとして知られる特定のタイプのサイバーアタックについて考察する。 これらのインジェクション攻撃は時間の経過とともに効果があり、徐々にネットワークトラフィックを操作し、車両の正常な機能を破壊している。 本稿では,MDHP-LSTMブロックに最適なMDHPパラメータを組み込んだインジェクション攻撃検出器MDHP-Netを提案する。
  論文  参考訳（メタデータ） (2024-11-15T15:05:01Z)
• 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)
• L-SFAN: Lightweight Spatially-focused Attention Network for Pain Behavior Detection [44.016805074560295]
  慢性的な腰痛 (CLBP) は世界中の何百万もの患者を悩ませており、個人の健康や医療システムに対する経済的負担に大きな影響を及ぼす。 人工知能(AI)とディープラーニングは、リハビリ戦略を改善するために痛みに関連する行動を分析するための有望な道を提供するが、畳み込みニューラルネットワーク(CNN)を含む現在のモデルには限界がある。 我々は、モーションキャプチャーと表面筋電図センサからデータの空間的時間的相互作用をキャプチャする2Dフィルタを組み込んだ軽量CNNアーキテクチャであるhbox EmoL-SFANを紹介する。
  論文  参考訳（メタデータ） (2024-06-07T12:01:37Z)
• 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)
• SpikingJET: Enhancing Fault Injection for Fully and Convolutional Spiking Neural Networks [37.89720165358964]
  SpikingJETは、完全に接続された畳み込み型スパイキングニューラルネットワーク(SNN)用に特別に設計された新しいフォールトインジェクタである。 我々の研究は、SNNのハードウェア障害に対するレジリエンスを評価するための重要な必要性を、現実世界のアプリケーションにおけるその優位性を考える上で、浮き彫りにしている。
  論文  参考訳（メタデータ） (2024-03-30T14:51:01Z)
• 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)
• 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)
• 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)

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。