論文の概要: Nash Equilibrium Between Consumer Electronic Devices and DoS Attacker for Distributed IoT-enabled RSE Systems

• arxiv url: http://arxiv.org/abs/2504.09415v1
• Date: Sun, 13 Apr 2025 03:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:15.241741
• Title: Nash Equilibrium Between Consumer Electronic Devices and DoS Attacker for Distributed IoT-enabled RSE Systems
• Title（参考訳）: 分散型IoT対応RSEシステムにおける消費者電子デバイスとDoSアタックのNash平衡
• Authors: Gengcan Chen, Donghong Cai, Zahid Khan, Jawad Ahmad, Wadii Boulila,
• Abstract要約: 本稿では、IoT対応RSEシステムにおいて、消費者電子デバイスとDoS攻撃者間の敵対戦略に焦点を当てる。 まず,分散計測のためのリモートジョイント推定モデルを提案する。 さらに,高次元意思決定問題に対処するために,集中型かつ分散型のMinimax-DQNを含む高度な強化学習手法を導入する。
• 参考スコア（独自算出の注目度）: 4.325117963652438
• License:
• Abstract: In electronic consumer Internet of Things (IoT), consumer electronic devices as edge devices require less computational overhead and the remote state estimation (RSE) of consumer electronic devices is always at risk of denial-of-service (DoS) attacks. Therefore, the adversarial strategy between consumer electronic devices and DoS attackers is critical. This paper focuses on the adversarial strategy between consumer electronic devices and DoS attackers in IoT-enabled RSE Systems. We first propose a remote joint estimation model for distributed measurements to effectively reduce consumer electronic device workload and minimize data leakage risks. The Kalman filter is deployed on the remote estimator, and the DoS attacks with open-loop as well as closed-loop are considered. We further introduce advanced reinforcement learning techniques, including centralized and distributed Minimax-DQN, to address high-dimensional decision-making challenges in both open-loop and closed-loop scenarios. Especially, the Q-network instead of the Q-table is used in the proposed approaches, which effectively solves the challenge of Q-learning. Moreover, the proposed distributed Minimax-DQN reduces the action space to expedite the search for Nash Equilibrium (NE). The experimental results validate that the proposed model can expeditiously restore the RSE error covariance to a stable state in the presence of DoS attacks, exhibiting notable attack robustness. The proposed centralized and distributed Minimax-DQN effectively resolves the NE in both open and closed-loop case, showcasing remarkable performance in terms of convergence. It reveals that substantial advantages in both efficiency and stability are achieved compared with the state-of-the-art methods.
• Abstract（参考訳）: 消費者向けモノのインターネット(IoT)では、エッジデバイスとしての消費者電子デバイスは計算オーバーヘッドを少なくし、消費者電子デバイスのリモート状態推定(RSE)は常にDoS攻撃の危険にさらされる。 したがって、消費者電子デバイスとDoS攻撃者間の敵対戦略が重要である。 本稿では、IoT対応RSEシステムにおいて、消費者電子デバイスとDoS攻撃者間の敵対戦略に焦点を当てる。 まず、分散計測のためのリモートジョイント推定モデルを提案し、消費者電子装置の作業量を効果的に削減し、データ漏洩リスクを最小限に抑える。 Kalmanフィルタはリモート推定器上に展開され、オープンループやクローズループによるDoS攻撃も考慮されている。 さらに、オープンループとクローズループの両方のシナリオにおいて、高次元決定問題に対処するために、集中型かつ分散されたミニマックスDQNを含む高度な強化学習技術を導入する。 特に,Q-tableの代わりにQ-networkを用いることで,Q-learningの課題を効果的に解決する。 さらに,提案手法により,Nash Equilibrium (NE) の探索を高速化するため,動作空間を縮小する。 実験結果から,提案モデルがDoS攻撃の有無でRSE誤差共分散を安定状態に高速に復元し,顕著な攻撃堅牢性を示すことを確認した。 提案した集中分散ミニマックスDQNは、開ループと閉ループの両方でNEを効果的に解決し、収束の点で顕著な性能を示す。 これは、最先端の手法と比較して、効率性と安定性の両面で大きな利点があることを示している。

関連論文リスト

• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• 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)
• 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)
• Privacy-Preserving Distributed Learning for Residential Short-Term Load Forecasting [11.185176107646956]
  電力システムの負荷データは、住宅ユーザの日常のルーチンを不注意に明らかにし、彼らの財産のセキュリティにリスクを及ぼす可能性がある。 我々はマルコフスイッチ方式の分散学習フレームワークを導入し、その収束は厳密な理論的解析によって実証される。 実世界の電力系統負荷データを用いたケーススタディにより,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2024-02-02T16:39:08Z)
• 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)
• Enhancing Cyber-Resilience in Integrated Energy System Scheduling with Demand Response Using Deep Reinforcement Learning [11.223780653355437]
  本稿では, 状態適応型深部強化学習(DRL)に基づくモデルレスレジリエンススケジューリング手法を提案する。 提案手法は、電力・ガス・熱可塑性負荷の相互作用能力を調べるためのIDRプログラムを設計する。 スケジューリング戦略に対するサイバー攻撃の影響を軽減するため,SA-SAC (State-adversarial soft actor-critic)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-28T23:29:36Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Spatial-SpinDrop: Spatial Dropout-based Binary Bayesian Neural Network with Spintronics Implementation [1.3603499630771996]
  本稿では,スピントロニクスデバイスを備えた空間降下型BayNNであるMC-SpatialDropoutを紹介する。 ネットワーク層当たりのドロップアウトモジュールの数は、9倍の9.11倍の9.11倍の9.11倍のエネルギー消費率で減少するが、それでも同等の性能と不確実性の評価を達成している。
  論文  参考訳（メタデータ） (2023-06-16T21:38:13Z)
• Publishing Efficient On-device Models Increases Adversarial Vulnerability [58.6975494957865]
  本稿では,大規模モデルのオンデバイス版を公開する際のセキュリティ上の考慮事項について検討する。 まず、敵がデバイス上のモデルを悪用し、大きなモデルを攻撃しやすくすることを示す。 次に、フルスケールと効率的なモデルとの類似性が増加するにつれて、脆弱性が増加することを示す。
  論文  参考訳（メタデータ） (2022-12-28T05:05:58Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)

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。