論文の概要: Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2502.04057v1
• Date: Thu, 06 Feb 2025 13:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:31:54.615686
• Title: Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks
• Title（参考訳）: スマートIoTセキュリティ:IoTネットワークにおけるマルチクラス攻撃検出のための軽量機械学習技術
• Authors: Shahran Rahman Alve, Muhammad Zawad Mahmud, Samiha Islam, Md. Asaduzzaman Chowdhury, Jahirul Islam,
• Abstract要約: IoT(Internet of Things)が成長する中で、ネットワークはさまざまなサイバー脅威から保護されることが不可欠である。 本研究は、IoTデバイスのマルチクラス攻撃検出を改善するための、新しい軽量アンサンブルアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In the growing terrain of the Internet of Things (IoT), it is vital that networks are secure to protect against a range of cyber threats. Based on the strong machine learning framework, this study proposes novel lightweight ensemble approaches for improving multi-class attack detection of IoT devices. Using the large CICIoT 2023 dataset with 34 attack types distributed amongst 10 attack categories, we systematically evaluated the performance of a wide variety of modern machine learning methods with the aim of establishing the best-performing algorithmic choice to secure IoT applications. In particular, we explore approaches based on ML classifiers to tackle the biocharges characterized by the challenging and heterogeneous nature of attack vectors in IoT environments. The method that performed best was the Decision Tree, with an accuracy of 99.56% and an F1 score of 99.62%, showing that this model is capable of accurately and reliably detecting threats.The Random Forest model was the next best-performing model with 98.22% and an F1 score of 98.24%, suggesting that ML methods are quite effective in a situation of high-dimensional data. Our results highlight the potential for using ML classifiers in bolstering security for IoT devices and also serve as motivations for future investigations targeting scalable, keystroke-based attack detection systems. We believe that our method provides a new path to develop complex machine learning algorithms for low-resource IoT devices, balancing both accuracy and time efficiency needs. In summary, these contributions enrich the state of the art of the IoT security literature, laying down solid ground and guidelines for the deployment of smart, adaptive security in IoT settings.
• Abstract（参考訳）: IoT(Internet of Things)が成長する中で、ネットワークはさまざまなサイバー脅威から保護されることが不可欠である。 本研究は、強力な機械学習フレームワークに基づいて、IoTデバイスのマルチクラス攻撃検出を改善するための、新しい軽量アンサンブルアプローチを提案する。 10の攻撃カテゴリに34の攻撃タイプを分散した大規模なCICIoT 2023データセットを用いて、IoTアプリケーションを保護するための最適なアルゴリズム選択を確立することを目的として、さまざまな現代的な機械学習手法のパフォーマンスを体系的に評価した。 特に,IoT環境における攻撃ベクトルの難易度と不均一性に特徴付けられるバイオチャージに対処するために,ML分類器に基づくアプローチを検討する。 決定木は精度99.56%、F1スコア99.62%であり、このモデルでは脅威を正確かつ確実に検出できることを示し、ランダムフォレストモデルは98.22%、F1スコア98.24%の次の最高のパフォーマンスモデルであり、ML法は高次元データの状況において非常に効果的であることを示している。 我々の結果は、IoTデバイスのセキュリティを強化する上でML分類器を使用する可能性を強調し、また、スケーラブルでキーストロークベースの攻撃検知システムをターゲットにした将来の調査のモチベーションとして役立ちます。 本手法は,低リソースのIoTデバイスに対して,精度と時間効率の両面から複雑な機械学習アルゴリズムを開発するための新たな経路を提供すると考えている。 要約すると、これらのコントリビューションはIoTセキュリティ文学の最先端を豊かにし、IoT設定にスマートで適応的なセキュリティを配置するためのしっかりとした基盤とガイドラインを敷き詰めている。

関連論文リスト

• Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
  本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。 Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。 ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-28T00:09:46Z)
• Optimized IoT Intrusion Detection using Machine Learning Technique [0.0]
  侵入検知システム(IDS)は様々な攻撃に対する防御に不可欠である。 IoT IDSシステムの機能的および物理的多様性は、重大な問題を引き起こす。 本研究は、特異性に基づくIDSに対して、新しい成分選択抽出戦略を提案し、実装する。
  論文  参考訳（メタデータ） (2024-12-03T21:23:54Z)
• 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)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• 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)
• Unraveling Attacks in Machine Learning-based IoT Ecosystems: A Survey and the Open Libraries Behind Them [9.55194238764852]
  IoT(Internet of Things)は前例のない接続性の時代を迎え、2025年末までには800億のスマートデバイスが稼働すると予想されている。 機械学習(ML)は、IoT生成データの解析だけでなく、IoTエコシステム内のさまざまなアプリケーションにも重要な技術として機能する。 本稿では,MLのIoTへの統合によるセキュリティ上の脅威を包括的に調査する。
  論文  参考訳（メタデータ） (2024-01-22T06:52:35Z)
• Malware Detection in IOT Systems Using Machine Learning Techniques [0.0]
  本研究では、IoTマルウェア識別のためのCNN-LSTMハイブリッドモデルを導入し、その性能を確立された手法に対して評価する。 提案手法は95.5%の精度で既存の手法を上回りました。
  論文  参考訳（メタデータ） (2023-12-29T17:02:54Z)
• Harris Hawks Feature Selection in Distributed Machine Learning for Secure IoT Environments [8.690178186919635]
  IoT(Internet of Things)アプリケーションは、機密データを収集および転送することができる。 ハックされたIoTデバイスを検出する新しい方法を開発する必要がある。 本稿では,Hhson Hawks Optimization(HHO)とRandom Weight Network(RWN)に基づく特徴選択(FS)モデルを提案し,IoTボットネット攻撃を検出する。
  論文  参考訳（メタデータ） (2023-02-20T09:38:12Z)
• Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach [8.641714871787595]
  機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。 本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。 実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
  論文  参考訳（メタデータ） (2020-12-16T16:39:55Z)
• On Lightweight Privacy-Preserving Collaborative Learning for Internet of Things by Independent Random Projections [40.586736738492384]
  モノのインターネット(IoT)は、より良いシステムインテリジェンスを実現する主要なデータ生成インフラストラクチャになります。 本稿では,プライバシ保護型協調学習方式の設計と実装について考察する。 好奇心強い学習コーディネータは、多くのIoTオブジェクトが提供したデータサンプルに基づいて、よりよい機械学習モデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-12-11T12:44:37Z)
• 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。