論文の概要: Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT

• arxiv url: http://arxiv.org/abs/2506.18100v1
• Date: Sun, 22 Jun 2025 17:10:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.747891
• Title: Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT
• Title（参考訳）: IoTのためのフェデレーションフォグコンピューティングにおける資源配分とエネルギー効率の最適化
• Authors: Taimoor Ahmad, Anas Ali,
• Abstract要約: アドレス解決プロトコル(ARP)攻撃はモノのインターネット(IoT)ネットワークを脅かす。 従来の検出方法は、高い偽陽性と低い適応性のために不十分である。 本研究は,IoTネットワークにおけるARPスプーリングをインテリジェントに検出する多層機械学習ベースの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）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Address Resolution Protocol (ARP) spoofing attacks severely threaten Internet of Things (IoT) networks by allowing attackers to intercept, modify, or block communications. Traditional detection methods are insufficient due to high false positives and poor adaptability. This research proposes a multi-layered machine learning-based framework for intelligently detecting ARP spoofing in IoT networks. Our approach utilizes an ensemble of classifiers organized into multiple layers, each layer optimizing detection accuracy and reducing false alarms. Experimental evaluations demonstrate significant improvements in detection accuracy (up to 97.5\%), reduced false positive rates (less than 2\%), and faster detection time compared to existing methods. Our key contributions include introducing multi-layer ensemble classifiers specifically tuned for IoT networks, systematically addressing dataset imbalance problems, introducing a dynamic feedback mechanism for classifier retraining, and validating practical applicability through extensive simulations. This research enhances security management in IoT deployments, providing robust defenses against ARP spoofing attacks and improving reliability and trust in IoT environments.
• Abstract（参考訳）: アドレス解決プロトコル(ARP)攻撃は、攻撃者が通信を傍受したり、修正したり、ブロックしたりすることで、モノのインターネット(IoT)ネットワークを脅かす。 従来の検出方法は、高い偽陽性と低い適応性のために不十分である。 本研究は,IoTネットワークにおけるARPスプーリングをインテリジェントに検出する多層機械学習ベースのフレームワークを提案する。 提案手法では,複数の層にまとめられた分類器のアンサンブルを利用して,検出精度を最適化し,誤報を低減する。 実験により,検出精度(最大97.5\%),偽陽性率(2\%未満),検出時間(既存法に比べて高速)が有意に向上した。 主なコントリビューションは、IoTネットワーク用に特別に調整された多層アンサンブル分類器の導入、データセットの不均衡問題への体系的対処、分類器の再トレーニングのための動的フィードバック機構の導入、広範囲なシミュレーションによる実用的な適用性検証などです。 この研究は、IoTデプロイメントにおけるセキュリティ管理を強化し、ARPスプーフィング攻撃に対する堅牢な防御を提供し、IoT環境の信頼性と信頼性を改善します。

関連論文リスト

• FLARE: Feature-based Lightweight Aggregation for Robust Evaluation of IoT Intrusion Detection [0.0]
  モノのインターネット(IoT)デバイスは攻撃面を拡張し、ネットワーク保護のために効率的な侵入検知システム(IDS)を必要とする。 本稿では、IoT侵入検出の堅牢な評価のための機能ベースの軽量アグリゲーションであるFLAREを提案する。 我々は、IoT IDSの攻撃を分類するために、4つの教師付き学習モデルと2つのディープラーニングモデルを使用します。
  論文  参考訳（メタデータ） (2025-04-21T18:33:53Z)
• Efficient IoT Intrusion Detection with an Improved Attention-Based CNN-BiLSTM Architecture [0.2356141385409842]
  本稿では,ボットネット攻撃を検出するためのコンパクトで効率的な手法を提案する。 提案手法は,N-BaIoTデータセットを用いたボットネット攻撃の検出において,99%の分類精度を実現する。
  論文  参考訳（メタデータ） (2025-03-25T04:12:14Z)
• Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-06T13:17:03Z)
• Efficient Denial of Service Attack Detection in IoT using Kolmogorov-Arnold Networks [22.036794530902608]
  本稿では,KAN(Kolmogorov-Arnold Networks)に基づくDoS攻撃検出の新しい軽量アプローチを提案する。 Kanは、最小限のリソース要件を維持しながら、最先端の検知性能を達成する。 既存のソリューションと比較して、kanは競合検出率を維持しながら、メモリ要求を最大98%削減する。
  論文  参考訳（メタデータ） (2025-02-03T21:19:46Z)
• 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)
• 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)
• Effective Intrusion Detection in Highly Imbalanced IoT Networks with Lightweight S2CGAN-IDS [48.353590166168686]
  モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。 既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。 我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
  論文  参考訳（メタデータ） (2023-06-06T14:19:23Z)
• Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
  現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。 このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。 複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:39:43Z)
• 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)
• Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach [8.641714871787595]
  機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。 本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。 実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
  論文  参考訳（メタデータ） (2020-12-16T16:39:55Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)

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。