論文の概要: Gotham Dataset 2025: A Reproducible Large-Scale IoT Network Dataset for Intrusion Detection and Security Research

• arxiv url: http://arxiv.org/abs/2502.03134v1
• Date: Wed, 05 Feb 2025 12:51:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:27:52.006320
• Title: Gotham Dataset 2025: A Reproducible Large-Scale IoT Network Dataset for Intrusion Detection and Security Research
• Title（参考訳）: Gotham Dataset 2025: 侵入検知とセキュリティ研究のための再現可能な大規模IoTネットワークデータセット
• Authors: Othmane Belarbi, Theodoros Spyridopoulos, Eirini Anthi, Omer Rana, Pietro Carnelli, Aftab Khan,
• Abstract要約: Gotham testbedは、ネットワークセキュリティ研究のための現実的で異質な環境を提供するように設計された、大規模なIoT(Internet of Things)ネットワークのエミュレートである。 ネットワークトラフィックはPacketdumpで捕捉され、良心と悪意のあるトラフィックの両方が記録された。 悪意のあるトラフィックは、Denial of Service(DoS)、Telnete Force(英語版)、Network Scanning(英語版)、CoAP Amplification(英語版)、C&C(英語版)通信の様々な段階を含むスクリプトによる攻撃によって発生した。 データリポジトリは、PCAPフォーマットで生のネットワークトラフィックと、CSVフォーマットで処理されたラベル付きデータとを含む。
• 参考スコア（独自算出の注目度）: 2.056126049000989
• License:
• Abstract: In this paper, a dataset of IoT network traffic is presented. Our dataset was generated by utilising the Gotham testbed, an emulated large-scale Internet of Things (IoT) network designed to provide a realistic and heterogeneous environment for network security research. The testbed includes 78 emulated IoT devices operating on various protocols, including MQTT, CoAP, and RTSP. Network traffic was captured in Packet Capture (PCAP) format using tcpdump, and both benign and malicious traffic were recorded. Malicious traffic was generated through scripted attacks, covering a variety of attack types, such as Denial of Service (DoS), Telnet Brute Force, Network Scanning, CoAP Amplification, and various stages of Command and Control (C&C) communication. The data were subsequently processed in Python for feature extraction using the Tshark tool, and the resulting data was converted to Comma Separated Values (CSV) format and labelled. The data repository includes the raw network traffic in PCAP format and the processed labelled data in CSV format. Our dataset was collected in a distributed manner, where network traffic was captured separately for each IoT device at the interface between the IoT gateway and the device. Our dataset was collected in a distributed manner, where network traffic was separately captured for each IoT device at the interface between the IoT gateway and the device. With its diverse traffic patterns and attack scenarios, this dataset provides a valuable resource for developing Intrusion Detection Systems and security mechanisms tailored to complex, large-scale IoT environments. The dataset is publicly available at Zenodo.
• Abstract（参考訳）: 本稿では,IoTネットワークトラフィックのデータセットについて述べる。 私たちのデータセットは、ネットワークセキュリティ研究のための現実的で異質な環境を提供するために設計された、大規模なIoT(Internet of Things)ネットワークであるGothamテストベッドを利用して生成される。 テストベッドにはMQTT、CoAP、RTSPなど、さまざまなプロトコルで動作する78のエミュレートされたIoTデバイスが含まれている。 ネットワークトラフィックはtcpdumpを使ってパケットキャプチャ(PCAP)形式でキャプチャされ、良質なトラフィックと悪意のあるトラフィックの両方が記録された。 悪意のあるトラフィックは、Denial of Service(DoS)、Telnet Brute Force(英語版)、Network Scanning(英語版)、CoAP Amplification(英語版)、Command and Control(英語版) (C&C) 通信の様々な段階を含むスクリプトによる攻撃によって発生した。 データはその後、Tsharkツールを使って機能抽出のためにPythonで処理され、結果はComma Separated Values (CSV)フォーマットに変換されラベル付けされた。 データリポジトリは、PCAPフォーマットで生のネットワークトラフィックと、CSVフォーマットで処理されたラベル付きデータとを含む。 当社のデータセットは分散形式で収集され,IoTゲートウェイとデバイス間のインターフェースにおいて,各IoTデバイスに対して,ネットワークトラフィックを分離してキャプチャする。 データセットは分散形式で収集され、IoTゲートウェイとデバイス間のインターフェースにおいて、各IoTデバイスに対して、ネットワークトラフィックを分離してキャプチャした。 多様なトラフィックパターンとアタックシナリオによって、このデータセットは、複雑な大規模IoT環境に適した侵入検知システムとセキュリティメカニズムを開発するための貴重なリソースを提供する。 データセットはZenodoで公開されている。

関連論文リスト

• Lightweight Dataset for Decoy Development to Improve IoT Security [0.1227734309612871]
  本稿では,IoT(Internet of Things)アクティビティをデコイを作成する準備として,軽量なデータセットを提案する。 データセットは、実際のネットワーク設定で異なるシナリオから構成される。
  論文  参考訳（メタデータ） (2024-07-29T12:01:50Z)
• 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)
• 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)
• 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)
• CoAP-DoS: An IoT Network Intrusion Dataset [0.0]
  IoT(Internet of Things)デバイスは、DoS攻撃の影響を受けやすい。 多くのネットワークトラフィックデータセットがあるが、IoTネットワークトラフィックに焦点を当てているものはほとんどない。 我々は、実際のCoAPによるサービスアタックの否定からネットワークトラフィックを収集することで、新しいデータセットを開発する。
  論文  参考訳（メタデータ） (2022-06-29T00:50:15Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Semi-supervised Variational Temporal Convolutional Network for IoT Communication Multi-anomaly Detection [3.3659034873495632]
  モノのインターネット(IoT)デバイスは、巨大な通信ネットワークを構築するために構築されます。 これらのデバイスは実際には安全ではないため、通信ネットワークが攻撃者によって露出されることを意味する。 本稿では,IoT 複数異常検出のための半監視ネットワーク SS-VTCN を提案する。
  論文  参考訳（メタデータ） (2021-04-05T08:51:24Z)
• 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)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
  本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-12T09:18:36Z)

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。