論文の概要: Anomaly Detection for IoT Global Connectivity

• arxiv url: http://arxiv.org/abs/2508.09660v1
• Date: Wed, 13 Aug 2025 09:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.842616
• Title: Anomaly Detection for IoT Global Connectivity
• Title（参考訳）: IoTグローバル接続性の異常検出
• Authors: Jesus Omaña Iglesias, Carlos Segura Perales, Stefan Geißler, Diego Perino, Andra Lutu,
• Abstract要約: ANCHORは、大規模なグローバルローミングプラットフォームのIoT接続サービスのための、教師なしの異常検出ソリューションである。 運用するIoT接続プロバイダのIoTサービス、インフラストラクチャ、ネットワーク可視性について説明する。 受動シグナリングトラフィックに基づくIoT異常検出のための,さまざまな統計規則と機械学習モデルを提案する。
• 参考スコア（独自算出の注目度）: 0.752643093651825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Internet of Things (IoT) application providers rely on Mobile Network Operators (MNOs) and roaming infrastructures to deliver their services globally. In this complex ecosystem, where the end-to-end communication path traverses multiple entities, it has become increasingly challenging to guarantee communication availability and reliability. Further, most platform operators use a reactive approach to communication issues, responding to user complaints only after incidents have become severe, compromising service quality. This paper presents our experience in the design and deployment of ANCHOR -- an unsupervised anomaly detection solution for the IoT connectivity service of a large global roaming platform. ANCHOR assists engineers by filtering vast amounts of data to identify potential problematic clients (i.e., those with connectivity issues affecting several of their IoT devices), enabling proactive issue resolution before the service is critically impacted. We first describe the IoT service, infrastructure, and network visibility of the IoT connectivity provider we operate. Second, we describe the main challenges and operational requirements for designing an unsupervised anomaly detection solution on this platform. Following these guidelines, we propose different statistical rules, and machine- and deep-learning models for IoT verticals anomaly detection based on passive signaling traffic. We describe the steps we followed working with the operational teams on the design and evaluation of our solution on the operational platform, and report an evaluation on operational IoT customers.
• Abstract（参考訳）: IoT(Internet of Things)アプリケーションプロバイダは,Mobile Network Operators(MNO)とローミングインフラストラクチャを使用して,サービスをグローバルに提供する。 エンドツーエンドの通信経路が複数のエンティティを横断するこの複雑なエコシステムでは、通信の可用性と信頼性を保証することがますます困難になっている。 さらに、ほとんどのプラットフォームオペレータは、インシデントが深刻になり、サービス品質が低下した後のみ、ユーザからの苦情に応答する、通信問題に対するリアクティブアプローチを使用している。 本稿では,大規模なローミングプラットフォームのIoT接続サービスを対象とした,教師なしの異常検出ソリューションであるANCHORの設計とデプロイの経験について述べる。 ANCHORは、潜在的な問題のあるクライアント(IoTデバイスに影響を及ぼす接続上の問題のあるもの)を特定するために大量のデータをフィルタリングすることで、エンジニアを支援する。 最初に、運用するIoT接続プロバイダのIoTサービス、インフラストラクチャ、ネットワーク可視性について説明します。 次に、このプラットフォーム上での教師なし異常検出ソリューションの設計における主な課題と運用要件について述べる。 これらのガイドラインに従い、受動信号トラフィックに基づくIoT垂直方向異常検出のための異なる統計規則と機械学習モデルを提案する。 運用プラットフォーム上でのソリューションの設計と評価について、運用チームと共に作業したステップについて説明するとともに、運用IoTユーザに関する評価を報告します。

関連論文リスト

• 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)
• Agentic Search Engine for Real-Time IoT Data [1.9275428660922078]
  IoT(Internet of Things)によって、さまざまなデバイスがインターネット上で通信できるようになったが、IoTシステムの断片化によって、シームレスなデータ共有とコーディネート管理が制限された。 本稿では,IoT環境に適したリアルタイム検索エンジンであるIoT Agentic Search Engine(IoT-ASE)について述べる。
  論文  参考訳（メタデータ） (2025-03-15T20:46:17Z)
• Large-Scale AI in Telecom: Charting the Roadmap for Innovation, Scalability, and Enhanced Digital Experiences [212.5544743797899]
  大型通信モデル(LTM)は、現代の通信ネットワークが直面する複雑な課題に対処するために設計されたAIモデルである。 本稿は、LTMのアーキテクチャとデプロイメント戦略から、ネットワーク管理、リソース割り当て、最適化における彼らのアプリケーションまで、幅広いトピックについて論じる。
  論文  参考訳（メタデータ） (2025-03-06T07:53:24Z)
• A Unified Framework for Context-Aware IoT Management and State-of-the-Art IoT Traffic Anomaly Detection [1.8024397171920885]
  我々は、IoT管理タスクのためのコンテキスト駆動型大規模言語モデル(LLM)と、ネットワークトラフィック分析のための微調整された異常検出モジュールを組み合わせた統合フレームワークを提案する。 このフレームワークは、IoTマニュアルや運用データからコンテキスト知識を活用することにより、デバイス管理やトラブルシューティング、セキュリティ執行といった管理プロセスを合理化する。
  論文  参考訳（メタデータ） (2024-12-19T22:38:41Z)
• 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)
• Semantic Information Marketing in The Metaverse: A Learning-Based Contract Theory Framework [68.8725783112254]
  仮想サービスプロバイダ(VSP)によるインセンティブのメカニズム設計の問題に対処し,センサデータ販売にIoTデバイスを採用。 帯域幅が限られているため,センサIoTデバイスによる配信データを削減するためにセマンティック抽出アルゴリズムを提案する。 本稿では,新しい反復型契約設計を提案し,マルチエージェント強化学習(MARL)の新たな変種を用いて,モデル付き多次元契約問題の解法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T15:52:37Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Service Discovery in Social Internet of Things using Graph Neural Networks [1.552282932199974]
  IoT(Internet-of-Things)ネットワークは、何千もの物理的エンティティをインテリジェントに接続して、コミュニティにさまざまなサービスを提供する。 ネットワークに存在するIoTデバイスを発見し、それに対応するサービスを要求するプロセスを複雑にしている。 異種大規模IoTネットワークに適したスケーラブルなリソース割り当てニューラルモデルを提案する。
  論文  参考訳（メタデータ） (2022-05-25T12:25:37Z)
• AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
  本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。 MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
  論文  参考訳（メタデータ） (2022-03-31T09:31:53Z)
• Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks [96.24723959137218]
  We study a edge intelligence-based IoT network that a set of edge server learn a shared model using federated learning (FL)。 フェデレーションエッジインテリジェンス(FEI)と呼ばれる新しいフレームワークを提案し、エッジサーバがIoTネットワークのエネルギーコストに応じて必要なデータサンプル数を評価できるようにする。 提案アルゴリズムがIoTネットワークのトポロジ的情報を漏洩したり開示したりしないことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:51:59Z)

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。