論文の概要: A Joint Reconstruction-Triplet Loss Autoencoder Approach Towards Unseen Attack Detection in IoV Networks

• arxiv url: http://arxiv.org/abs/2505.21703v1
• Date: Tue, 27 May 2025 19:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.257231
• Title: A Joint Reconstruction-Triplet Loss Autoencoder Approach Towards Unseen Attack Detection in IoV Networks
• Title（参考訳）: IoVネットワークにおける異常検出に向けたリコンストラクション・トリプレット損失オートエンコーダの一手法
• Authors: Julia Boone, Tolunay Seyfi, Fatemeh Afghah,
• Abstract要約: In this present an unsupervised autoencoder method designed on beign network data for unseen attack detection in IoV network。 本手法は, 異常データに対して約99%の精度で, 異常データに対して97%から100%の精度で頑健に動作することを示す。
• 参考スコア（独自算出の注目度）: 6.229535970620059
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Vehicles (IoV) systems, while offering significant advancements in transportation efficiency and safety, introduce substantial security vulnerabilities due to their highly interconnected nature. These dynamic systems produce massive amounts of data between vehicles, infrastructure, and cloud services and present a highly distributed framework with a wide attack surface. In considering network-centered attacks on IoV systems, attacks such as Denial-of-Service (DoS) can prohibit the communication of essential physical traffic safety information between system elements, illustrating that the security concerns for these systems go beyond the traditional confidentiality, integrity, and availability concerns of enterprise systems. Given the complexity and volume of data generated by IoV systems, traditional security mechanisms are often inadequate for accurately detecting sophisticated and evolving cyberattacks. Here, we present an unsupervised autoencoder method trained entirely on benign network data for the purpose of unseen attack detection in IoV networks. We leverage a weighted combination of reconstruction and triplet margin loss to guide the autoencoder training and develop a diverse representation of the benign training set. We conduct extensive experiments on recent network intrusion datasets from two different application domains, industrial IoT and home IoT, that represent the modern IoV task. We show that our method performs robustly for all unseen attack types, with roughly 99% accuracy on benign data and between 97% and 100% performance on anomaly data. We extend these results to show that our model is adaptable through the use of transfer learning, achieving similarly high results while leveraging domain features from one domain to another.
• Abstract（参考訳）: Internet of Vehicles (IoV) システムは、輸送効率と安全性を大幅に向上させる一方で、高度に相互接続された性質のため、重大なセキュリティ上の脆弱性をもたらす。 これらの動的システムは、車両、インフラ、クラウドサービス間で大量のデータを生成し、幅広い攻撃面を持つ高度に分散したフレームワークを提供する。 IoVシステムに対するネットワーク中心の攻撃を考えると、Denial-of-Service(DoS)のような攻撃は、システム要素間の重要な物理的交通安全情報の通信を禁止し、これらのシステムのセキュリティ上の懸念は、エンタープライズシステムの従来の機密性、完全性、可用性に関する懸念を越えている、と説明できる。 IoVシステムによって生成されるデータの複雑さと量を考えると、従来のセキュリティメカニズムは高度で進化するサイバー攻撃を正確に検出するには不十分であることが多い。 本稿では,IoVネットワークにおける未確認攻撃検出を目的とした,良性ネットワークデータに基づく教師なしオートエンコーダ手法を提案する。 再建と三重項マージン損失の重み付けを併用して,自己エンコーダトレーニングを指導し,良性トレーニングセットの多彩な表現を開発する。 我々は、最新のIoVタスクを表す産業用IoTと家庭用IoTの2つの異なるアプリケーションドメインから、最近のネットワーク侵入データセットに関する広範な実験を行う。 本手法は, 異常データに対して約99%の精度で, 異常データに対して97%から100%の精度で頑健に動作することを示す。 これらの結果を拡張して、転移学習を用いてモデルが適応可能であることを示し、ドメインの機能をドメインから別のドメインへ活用しながら、同様の高い結果が得られることを示す。

関連論文リスト

• A Scalable Hierarchical Intrusion Detection System for Internet of Vehicles [1.6017263994482716]
  Internet of Vehicles(IoV)は、スプーフィングやDistributed Denial of Services(DDoS)攻撃からマルウェアまで、さまざまなサイバー脅威にさらされている。 IoVエコシステムを侵入、悪意のある活動、ポリシー違反、侵入検知システム(IDS)から保護するためには、ネットワークトラフィックを継続的に監視・分析し、潜在的脅威をリアルタイムに特定・緩和することで重要な役割を果たす。 本稿では,IoVネットワークに適した効果的な階層型分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-22T04:30:26Z)
• Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
  本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。 当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。 この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
  論文  参考訳（メタデータ） (2025-04-22T09:40:05Z)
• 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)
• Fine-Tuning Federated Learning-Based Intrusion Detection Systems for Transportation IoT [0.3333209898517398]
  フェデレートラーニング(FL)は、分散エッジデバイス上でIDSモデルの分散トレーニングを可能にするための有望な方法として登場した。 本稿では,エッジデバイス上での軽量な微調整を実現しつつ,事前学習を中央サーバにオフロードするハイブリッドサーバエッジFLフレームワークを提案する。 このアプローチはメモリ使用量を最大42%削減し、トレーニング時間を最大75%削減し、競合IDSの精度を最大99.2%向上させる。
  論文  参考訳（メタデータ） (2025-02-10T02:12:05Z)
• Blockchain-Enabled Variational Information Bottleneck for Data Extraction Based on Mutual Information in Internet of Vehicles [34.63863606532729]
  Internet of Vehicles (IoV) ネットワークは、限られた計算資源と個々の車両のデータ処理能力の問題に対処することができる。 ブロックチェーン技術を適用することで、IoV内のセキュアなデータリンクを確立することが可能になる。 本稿では、ブロックチェーンをBVIBと呼ぶVIBと統合する革新的なアプローチを紹介し、計算処理の軽量化とネットワークのセキュリティ強化を目的としている。
  論文  参考訳（メタデータ） (2024-09-20T17:30:19Z)
• 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)
• 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)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• A Transfer Learning and Optimized CNN Based Intrusion Detection System for Internet of Vehicles [10.350337750192997]
  本稿では,インターネット・オブ・ビークルズ(IoV)システムにおいて,トランスファー学習とアンサンブル学習に基づくIDSを提案する。 提案されたIDSは、2つの公開ベンチマークIoVセキュリティデータセットで99.25%以上の検出率とF1スコアを示した。 本研究は車内ネットワークおよび車外ネットワークにおけるサイバー攻撃検出におけるIDSの有効性を示す。
  論文  参考訳（メタデータ） (2022-01-27T21:24:09Z)
• Measurement-driven Security Analysis of Imperceptible Impersonation Attacks [54.727945432381716]
  本稿では,ディープニューラルネットワークを用いた顔認識システムの実用性について検討する。 皮膚の色,性別,年齢などの要因が,特定の標的に対する攻撃を行う能力に影響を及ぼすことを示す。 また,攻撃者の顔のさまざまなポーズや視点に対して堅牢なユニバーサルアタックを構築する可能性についても検討した。
  論文  参考訳（メタデータ） (2020-08-26T19:27:27Z)
• 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。