論文の概要: Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base
- arxiv url: http://arxiv.org/abs/2503.21674v1
- Date: Thu, 27 Mar 2025 16:41:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-28 12:53:35.039483
- Title: Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base
- Title（参考訳）: 特徴ランク付けに基づく知識ベースを用いたODLLMによる知的IoT攻撃検出設計
- Authors: Satvik Verma, Qun Wang, E. Wes Bethel,
- Abstract要約: IoT(Internet of Things)デバイスは,重大なサイバーセキュリティ上の課題を導入している。
従来の機械学習(ML)技術は、混在するパターンと進化するパターンの複雑さのために、このような攻撃を検出するのに不足することが多い。
本稿では,オンデバイス大規模言語モデル(ODLLMs)を微調整と知識ベース(KB)統合で拡張し,インテリジェントなIoTネットワーク攻撃検出を実現する新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.964942474860411
- License:
- Abstract: The widespread adoption of Internet of Things (IoT) devices has introduced significant cybersecurity challenges, particularly with the increasing frequency and sophistication of Distributed Denial of Service (DDoS) attacks. Traditional machine learning (ML) techniques often fall short in detecting such attacks due to the complexity of blended and evolving patterns. To address this, we propose a novel framework leveraging On-Device Large Language Models (ODLLMs) augmented with fine-tuning and knowledge base (KB) integration for intelligent IoT network attack detection. By implementing feature ranking techniques and constructing both long and short KBs tailored to model capacities, the proposed framework ensures efficient and accurate detection of DDoS attacks while overcoming computational and privacy limitations. Simulation results demonstrate that the optimized framework achieves superior accuracy across diverse attack types, especially when using compact models in edge computing environments. This work provides a scalable and secure solution for real-time IoT security, advancing the applicability of edge intelligence in cybersecurity.
- Abstract（参考訳）: IoT(Internet of Things)デバイスの普及により、特にDDoS(Distributed Denial of Service)攻撃の頻度と洗練が増大する中で、サイバーセキュリティ上の大きな課題が発生している。
従来の機械学習(ML)技術は、混在するパターンと進化するパターンの複雑さのために、このような攻撃を検出するのに不足することが多い。
そこで本研究では,オンデバイス大規模言語モデル(ODLLMs)を微調整および知識ベース(KB)統合で拡張し,インテリジェントなIoTネットワークアタック検出を実現する新しいフレームワークを提案する。
特徴ランク付け手法を実装し,モデル能力に適した長短KBと長短KBの両方を構築することにより,計算とプライバシーの制限を克服しつつ,DDoS攻撃の効率的かつ正確な検出を実現する。
シミュレーションの結果、最適化されたフレームワークは、特にエッジコンピューティング環境でコンパクトなモデルを使用する場合、様々な攻撃タイプにまたがる優れた精度を実現することが示された。
この作業は、リアルタイムIoTセキュリティのためのスケーラブルでセキュアなソリューションを提供し、サイバーセキュリティにおけるエッジインテリジェンスの適用性を向上させる。
関連論文リスト
- Hybrid Machine Learning Models for Intrusion Detection in IoT: Leveraging a Real-World IoT Dataset [0.0]
これらの脅威を緩和するためには、侵入検知システム(IDS)が不可欠である。
機械学習(ML)の最近の進歩は、改善のための有望な道を提供する。
本研究は、いくつかのスタンドアロンMLモデルを組み合わせたハイブリッドアプローチを探求する。
論文 参考訳（メタデータ） (2025-02-17T23:41:10Z) - 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) - A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。
われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
論文 参考訳（メタデータ） (2024-06-18T08:42:51Z) - Enhancing Physical Layer Communication Security through Generative AI with Mixture of Experts [80.0638227807621]
生成人工知能(GAI)モデルは、従来のAI手法よりも優れていることを示した。
ゲート機構による予測に複数の専門家モデルを使用するMoEは、可能なソリューションを提案する。
論文 参考訳（メタデータ） (2024-05-07T11:13:17Z) - Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。
本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
論文 参考訳（メタデータ） (2024-04-29T21:26:18Z) - 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) - 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) - SISSA: Real-time Monitoring of Hardware Functional Safety and
Cybersecurity with In-vehicle SOME/IP Ethernet Traffic [49.549771439609046]
本稿では,車内機能安全とサイバーセキュリティをモデル化・解析するためのSOME/IP通信トラフィックベースアプローチであるSISSAを提案する。
具体的には、SISSAはWeibullディストリビューションでハードウェア障害をモデル化し、SOME/IP通信に対する5つの潜在的な攻撃に対処する。
広範囲な実験結果から,SISSAの有効性と有効性が確認された。
論文 参考訳（メタデータ） (2024-02-21T03:31:40Z) - 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) - Detecting Unknown Attacks in IoT Environments: An Open Set Classifier
for Enhanced Network Intrusion Detection [5.787704156827843]
本稿では,IoT環境に適したネットワーク侵入検知システム(NIDS)の領域におけるオープンセット認識(OSR)問題の緩和を目的としたフレームワークを提案する。
ネットワークトラフィックから空間的・時間的パターンを抽出し,パケットレベルデータのイメージベース表現に重きを置いている。
実験の結果は、このフレームワークの有効性を顕著に強調し、これまで見つからなかった攻撃に対して、驚くべき88%の検知率を誇示している。
論文 参考訳（メタデータ） (2023-09-14T06:41:45Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。