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/2502.04057v2
• Date: Sun, 15 Jun 2025 09:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 15:15:29.693109
• 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: 本研究は,IoTデバイスにおけるマルチクラス攻撃検出の限界に対処する。 堅牢な機械学習フレームワークを基盤とした,新しい軽量アンサンブル手法を提案する。 我々は、IoT環境を保護するための最適な選択肢を特定するために、同時代の機械学習アルゴリズムを幅広く評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As the Internet of Things (IoT) expands rapidly, ensuring secure networks to defend against diverse cyber threats becomes increasingly vital. This study addresses the limitations of multi-class attack detection in IoT devices by proposing new, lightweight ensemble methods grounded in robust machine learning frameworks. Leveraging the CICIoT 2023 dataset which features 34 distinct attack types across 10 categories. We systematically evaluated a wide array of contemporary machine learning algorithms to identify the optimal choice for safeguarding IoT environments. Focusing on classifier-based approaches, our research addresses the complex and heterogeneous nature of attack vectors found in IoT ecosystems. Among the evaluated models, the Decision Tree classifier achieved the highest performance, with 99.56\% accuracy and a 99.62\% F1 score, demonstrating strong, reliable threat detection capabilities. The Random Forest algorithm followed closely, attaining 98.22\% accuracy and a 98.24\% F1 score, further highlighting the effectiveness of machine learning in handling high-dimensional data. These findings underscore the significant promise of incorporating machine learning classifiers into IoT security defenses and inspire further exploration into scalable, keystroke-based attack detection. Our approach offers a novel pathway for developing sophisticated algorithms for resource-constrained IoT devices, achieving a critical balance between accuracy and efficiency. Overall, this work advances the field of IoT security by establishing a strong baseline and framework for the development of intelligent, adaptive security measures suitable for evolving IoT landscapes.
• Abstract（参考訳）: IoT(Internet of Things)が急速に拡大するにつれ、多様なサイバー脅威に対してセキュアなネットワークを確保することがますます重要になっている。 本研究では、堅牢な機械学習フレームワークを基盤とした新しい軽量アンサンブル手法を提案することにより、IoTデバイスにおけるマルチクラス攻撃検出の限界に対処する。 CICIoT 2023データセットを活用する。 我々は、IoT環境を保護するための最適な選択肢を特定するために、さまざまな現代の機械学習アルゴリズムを体系的に評価した。 分類器に基づくアプローチに着目して、IoTエコシステムで見られる攻撃ベクトルの複雑で異質な性質について検討する。 評価されたモデルの中で、決定木分類器は99.56\%の精度と99.62\%のF1スコアで最高性能を達成し、強力な信頼性の高い脅威検出能力を示した。 ランダムフォレストアルゴリズムは、98.22\%の精度と98.24\%のF1スコアを獲得し、高次元データを扱う機械学習の有効性をさらに強調した。 これらの発見は、マシンラーニングの分類器をIoTセキュリティディフェンスに組み込むことで、スケーラブルでキーストロークベースのアタック検出をさらに探求する、という大きな可能性を浮き彫りにしている。 われわれのアプローチは、リソースに制約のあるIoTデバイスのための高度なアルゴリズムを開発するための新しい経路を提供する。 全体として、この研究はIoTのランドスケープの進化に適したインテリジェントで適応的なセキュリティ対策を開発するための強力なベースラインとフレームワークを確立することによって、IoTセキュリティの分野を前進させる。

関連論文リスト

• Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things [11.185300073739098]
  従来の侵入検知システム(IDS)は、IoTネットワークの動的かつ大規模な性質を管理するのに不足することが多い。 本稿では,機械学習(ML)とディープラーニング(DL)技術がIoT環境におけるIDSのパフォーマンスを大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2025-04-09T18:52:15Z)
• 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)
• Poisoning Attacks in Federated Edge Learning for Digital Twin 6G-enabled IoTs: An Anticipatory Study [37.97034388920841]
  フェデレーションエッジ学習は、デジタルツインの6G対応モノのインターネット(IoT)環境において、プライバシ保護、人工知能(AI)対応のアクティビティをサポートする上で不可欠である。 本稿では,デジタル双対6G対応IoT環境におけるフェデレーションエッジ学習における中毒攻撃の予測研究を提案する。
  論文  参考訳（メタデータ） (2023-03-21T11:12:17Z)
• 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)
• 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。