論文の概要: A Multi-Step Comparative Framework for Anomaly Detection in IoT Data Streams

• arxiv url: http://arxiv.org/abs/2505.16872v1
• Date: Thu, 22 May 2025 16:28:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.456218
• Title: A Multi-Step Comparative Framework for Anomaly Detection in IoT Data Streams
• Title（参考訳）: IoTデータストリームにおける異常検出のためのマルチステップ比較フレームワーク
• Authors: Mohammed Al-Qudah, Fadi AlMahamid,
• Abstract要約: IoT(Internet of Things)デバイスは重要なセキュリティ問題を導入し、正確な異常検出の必要性を強調している。 本稿では,前処理選択が3つの機械学習アルゴリズムに与える影響を評価する多段階評価フレームワークを提案する。 IoTID20データセットの実験は、GBoostingが前処理設定で常に優れた精度を提供することを示している。
• 参考スコア（独自算出の注目度）: 0.9208007322096533
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid expansion of Internet of Things (IoT) devices has introduced critical security challenges, underscoring the need for accurate anomaly detection. Although numerous studies have proposed machine learning (ML) methods for this purpose, limited research systematically examines how different preprocessing steps--normalization, transformation, and feature selection--interact with distinct model architectures. To address this gap, this paper presents a multi-step evaluation framework assessing the combined impact of preprocessing choices on three ML algorithms: RNN-LSTM, autoencoder neural networks (ANN), and Gradient Boosting (GBoosting). Experiments on the IoTID20 dataset shows that GBoosting consistently delivers superior accuracy across preprocessing configurations, while RNN-LSTM shows notable gains with z-score normalization and autoencoders excel in recall, making them well-suited for unsupervised scenarios. By offering a structured analysis of preprocessing decisions and their interplay with various ML techniques, the proposed framework provides actionable guidance to enhance anomaly detection performance in IoT environments.
• Abstract（参考訳）: IoT(Internet of Things)デバイスの急速な拡張は、正確な異常検出の必要性を浮き彫りにして、重大なセキュリティ上の課題をもたらしている。 この目的のために多くの研究が機械学習(ML)手法を提案しているが、限定的な研究は、どのように異なる前処理ステップ(正規化、変換、特徴選択)が異なるモデルアーキテクチャと相互作用するかを体系的に検討している。 このギャップに対処するために、RNN-LSTM、オートエンコーダニューラルネットワーク(ANN)、グラディエントブースティング(GBoosting)の3つのMLアルゴリズムに対する前処理選択の影響を総合的に評価する多段階評価フレームワークを提案する。 IoTID20データセットの実験では、GBoostingは、前処理構成間で一貫して優れた精度を提供する一方で、RNN-LSTMでは、zスコアの正規化とオートエンコーダのリコールによる顕著なゲインを示し、教師なしシナリオに適している。 事前処理の決定とさまざまなMLテクニックとの相互作用に関する構造化分析を提供することで、提案フレームワークは、IoT環境での異常検出パフォーマンスを高めるための実行可能なガイダンスを提供する。

関連論文リスト

• Enhanced Anomaly Detection in IoMT Networks using Ensemble AI Models on the CICIoMT2024 Dataset [0.7753092380426906]
  医療におけるインターネット・オブ・メディカル・モノ(IoMT)デバイスの急速な普及は、ユニークなサイバーセキュリティの課題をもたらした。 本研究の目的は、IoMTネットワークトラフィックに適した高度なリアルタイム異常検出フレームワークを開発することである。
  論文  参考訳（メタデータ） (2025-02-17T14:46:58Z)
• Impacts of Data Preprocessing and Hyperparameter Optimization on the Performance of Machine Learning Models Applied to Intrusion Detection Systems [0.8388591755871736]
  侵入検知システム(IDS)は継続的に改善されている。 その多くは、脅威を特定するために機械学習(ML)技術を採用している。 本稿では,この研究ギャップを埋める研究について述べる。
  論文  参考訳（メタデータ） (2024-07-15T14:30:25Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Feature Extraction for Machine Learning-based Intrusion Detection in IoT Networks [6.6147550436077776]
  本稿では, 特徴量削減 (FR) と機械学習 (ML) の手法が, 様々なデータセットにまたがって一般化できるかどうかを明らかにすることを目的とする。 主成分分析(PCA)、自動エンコーダ(AE)、線形識別分析(LDA)の3つの特徴抽出(FE)アルゴリズムの検出精度を評価する。
  論文  参考訳（メタデータ） (2021-08-28T23:52:18Z)
• 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)
• An Explainable Machine Learning-based Network Intrusion Detection System for Enabling Generalisability in Securing IoT Networks [0.0]
  機械学習(ML)ベースのネットワーク侵入検知システムは、組織のセキュリティ姿勢を高める多くの利点をもたらす。 多くのシステムは研究コミュニティで設計・開発されており、特定のデータセットを用いて評価すると、しばしば完璧な検出率を達成する。 本稿では,異なるネットワーク環境と攻撃タイプに設定した共通機能の汎用性を評価することにより,ギャップを狭める。
  論文  参考訳（メタデータ） (2021-04-15T00:44:45Z)

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。