論文の概要: An intrusion detection system in internet of things using grasshopper optimization algorithm and machine learning algorithms
- arxiv url: http://arxiv.org/abs/2509.01724v1
- Date: Mon, 01 Sep 2025 19:05:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-04 15:17:03.827594
- Title: An intrusion detection system in internet of things using grasshopper optimization algorithm and machine learning algorithms
- Title（参考訳）: グラスホッパー最適化アルゴリズムと機械学習アルゴリズムを用いたモノのインターネット侵入検知システム
- Authors: Shiva Sattarpour, Ali Barati, Hamid Barati,
- Abstract要約: IoT(Internet of Things)は,さまざまなアプリケーションをサポートする基本パラダイムとして登場した。
IoTネットワークの重大な進歩は、セキュリティの脆弱性と脅威によって妨げられている。
侵入検知は基本的な研究領域となり、多くの研究の焦点となっている。
- 参考スコア（独自算出の注目度）: 3.109663673701098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Internet of Things (IoT) has emerged as a foundational paradigm supporting a range of applications, including healthcare, education, agriculture, smart homes, and, more recently, enterprise systems. However, significant advancements in IoT networks have been impeded by security vulnerabilities and threats that, if left unaddressed, could hinder the deployment and operation of IoT based systems. Detecting unwanted activities within the IoT is crucial, as it directly impacts confidentiality, integrity, and availability. Consequently, intrusion detection has become a fundamental research area and the focus of numerous studies. An intrusion detection system (IDS) is essential to the IoTs alarm mechanisms, enabling effective security management. This paper examines IoT security and introduces an intelligent two-layer intrusion detection system for IoT. Machine learning techniques power the system's intelligence, with a two layer structure enhancing intrusion detection. By selecting essential features, the system maintains detection accuracy while minimizing processing overhead. The proposed method for intrusion detection in IoT is implemented in two phases. In the first phase, the Grasshopper Optimization Algorithm (GOA) is applied for feature selection. In the second phase, the Support Vector Machine (SVM) algorithm is used to detect intrusions. The method was implemented in MATLAB, and the NSLKDD dataset was used for evaluation. Simulation results show that the proposed method improves accuracy compared to other approaches.
- Abstract（参考訳）: IoT(Internet of Things)は、医療、教育、農業、スマートホーム、最近ではエンタープライズシステムなど、さまざまなアプリケーションをサポートする基盤パラダイムとして登場した。
しかし、IoTネットワークの大幅な進歩は、セキュリティ上の脆弱性と脅威によって妨げられている。
IoT内の不要なアクティビティの検出は、機密性、完全性、可用性に直接影響するため、極めて重要です。
その結果、侵入検知は基本的な研究領域となり、多くの研究の焦点となっている。
侵入検知システム(IDS)はIoTのアラーム機構に必須であり、効果的なセキュリティ管理を可能にする。
本稿では,IoTのセキュリティを検証し,IoTのためのインテリジェントな2層侵入検知システムを提案する。
機械学習技術はシステムのインテリジェンスを駆動し、2層構造で侵入検知を強化している。
本システムは,本質的な特徴を選択することにより,処理オーバーヘッドを最小限に抑えながら検出精度を維持する。
提案手法は,IoTにおける侵入検知を2段階に分けて実装する。
第1フェーズでは、特徴選択にグラスホッパー最適化アルゴリズム(GOA)を適用する。
第2フェーズでは、SVM(Support Vector Machine)アルゴリズムが侵入を検出するために使用される。
この手法はMATLABで実装され,NSLKDDデータセットを用いて評価を行った。
シミュレーションの結果,提案手法は他の手法と比較して精度が向上していることがわかった。
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) - Intrusion Detection in IoT Networks Using Hyperdimensional Computing: A Case Study on the NSL-KDD Dataset [0.2399911126932527]
IoT(Internet of Things)ネットワークの急速な拡張により,新たなセキュリティ課題が導入された。
本研究では,超次元コンピューティング(HDC)に基づく検出フレームワークを提案し,ネットワーク侵入を識別・分類する。
提案手法は,通常のトラフィックパターンを正確に識別しつつ,DoS,プローブ,R2L,U2Rなどの攻撃カテゴリを効果的に識別する。
論文 参考訳（メタデータ） (2025-03-04T22:33:37Z) - Machine Learning-Based Intrusion Detection and Prevention System for IIoT Smart Metering Networks: Challenges and Solutions [0.0]
本稿では、IIoTベースのスマート計測ネットワークの安全性に関する課題について考察する。
エッジデバイスを保護するための機械学習ベースの侵入検知システム(IDPS)を提案する。
論文 参考訳（メタデータ） (2025-02-16T14:08:59Z) - SAFE: Self-Supervised Anomaly Detection Framework for Intrusion Detection [6.587970321208976]
本稿では,ネットワーク侵入データをイメージライクなフォーマットに変換する新しいフレームワークであるSAFEを紹介する。
SAFEは最先端の異常検出手法であるスケールラーニングベースのDeep Anomaly Detection(SLAD)を最大26.2%向上させる。
また、最先端のSSLベースのネットワーク侵入検出アプローチであるAnomal-Eを、F1スコアで最大23.5%超える。
論文 参考訳（メタデータ） (2025-02-10T23:20:59Z) - Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。
マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。
ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
論文 参考訳（メタデータ） (2024-10-11T09:36:38Z) - Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。
Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。
軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文 参考訳（メタデータ） (2024-06-04T20:36:21Z) - 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) - 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) - Constrained Twin Variational Auto-Encoder for Intrusion Detection in IoT
Systems [30.16714420093091]
侵入検知システム(IDS)は、悪意のある攻撃から何十億ものIoTデバイスを保護する上で重要な役割を果たす。
本稿では,CTVAE(Constrained Twin Variational Auto-Encoder)と呼ばれる新しいディープニューラルネットワーク/アーキテクチャを提案する。
CTVAEは、最先端の機械学習および表現学習方法と比較して、精度と検出攻撃におけるFscoreの約1%を向上することができる。
論文 参考訳（メタデータ） (2023-12-05T04:42:04Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳（メタデータ） (2021-11-02T05:58:07Z) - Automated Identification of Vulnerable Devices in Networks using Traffic
Data and Deep Learning [30.536369182792516]
脆弱性データベースのデータと組み合わせたデバイスタイプの識別は、ネットワーク内の脆弱なiotデバイスを特定できる。
信頼性の高いIoTデバイスタイプ識別のための2つの深層学習手法を提案し,評価する。
論文 参考訳（メタデータ） (2021-02-16T14:49:34Z)
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。