論文の概要: Lightweight Intrusion Detection System Using a Hybrid CNN and ConvNeXt-Tiny Model for Internet of Things Networks
- arxiv url: http://arxiv.org/abs/2509.06202v1
- Date: Sun, 07 Sep 2025 20:32:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.902088
- Title: Lightweight Intrusion Detection System Using a Hybrid CNN and ConvNeXt-Tiny Model for Internet of Things Networks
- Title（参考訳）: モノのインターネットのためのハイブリッドCNNとConvNeXt-Tinyモデルを用いた軽量侵入検知システム
- Authors: Fatemeh Roshanzadeh, Hamid Barati, Ali Barati,
- Abstract要約: 我々は,CNNとConvNeXt-Tinyのハイブリッドモデルを活用した,IoT環境用軽量侵入検知システム(IDS)を提案する。
提案手法は,ネットワーク攻撃の種類,特にボットネットと悪意のあるトラフィックを検出・分類するために設計されており,軽量なConvNeXt-Tinyアーキテクチャはリソース制約されたデバイスやネットワークへの効果的な展開を可能にする。
- 参考スコア（独自算出の注目度）: 1.5803208833562954
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid expansion of Internet of Things (IoT) systems across various domains such as industry, smart cities, healthcare, manufacturing, and government services has led to a significant increase in security risks, threatening data integrity, confidentiality, and availability. Consequently, ensuring the security and resilience of IoT systems has become a critical requirement. In this paper, we propose a lightweight and efficient intrusion detection system (IDS) for IoT environments, leveraging a hybrid model of CNN and ConvNeXt-Tiny. The proposed method is designed to detect and classify different types of network attacks, particularly botnet and malicious traffic, while the lightweight ConvNeXt-Tiny architecture enables effective deployment in resource-constrained devices and networks. A real-world dataset comprising both benign and malicious network packets collected from practical IoT scenarios was employed in the experiments. The results demonstrate that the proposed method achieves high accuracy while significantly reducing training and inference time compared to more complex models. Specifically, the system attained 99.63% accuracy in the testing phase, 99.67% accuracy in the training phase, and an error rate of 0.0107 across eight classes, while maintaining short response times and low resource consumption. These findings highlight the effectiveness of the proposed method in detecting and classifying attacks in real-world IoT environments, indicating that the lightweight architecture can serve as a practical alternative to complex and resource-intensive approaches in IoT network security.
- Abstract（参考訳）: 産業、スマートシティ、ヘルスケア、製造、政府サービスなど、さまざまな領域にまたがるIoT(Internet of Things)システムの急速な拡張により、セキュリティリスクが大幅に増加し、データの完全性、機密性、可用性が脅かされている。
そのため、IoTシステムのセキュリティとレジリエンスを保証することが、重要な要件になっています。
本稿では,CNNとConvNeXt-Tinyのハイブリッドモデルを活用した,IoT環境用軽量かつ効率的な侵入検知システム(IDS)を提案する。
提案手法は,ネットワーク攻撃の種類,特にボットネットと悪意のあるトラフィックを検出・分類するために設計されており,軽量なConvNeXt-Tinyアーキテクチャはリソース制約されたデバイスやネットワークへの効果的な展開を可能にする。
この実験では、実際のIoTシナリオから収集された良質なネットワークパケットと悪質なネットワークパケットの両方からなる実世界のデータセットが使用された。
提案手法は, より複雑なモデルと比較して, トレーニング時間と推論時間を著しく削減しつつ, 高精度に実現可能であることを示す。
具体的には、テスト段階では99.63%、トレーニング段階では99.67%、エラー率は8つのクラスで0.0107に達した。
これらの知見は、実際のIoT環境における攻撃の検出と分類における提案手法の有効性を強調し、軽量アーキテクチャがIoTネットワークセキュリティにおける複雑でリソース集約的なアプローチの実用的な代替手段として機能することを示唆している。
関連論文リスト
- Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning [39.58317527488534]
本稿では, IEC 61850 SV インジェクション攻撃の検出, 防止, ソースローカライズのためのハイブリッド統計深度学習法を提案する。
悪質なSVフレームを最小の処理オーバーヘッドとレイテンシで事実上破棄し、通信ネットワークのレイテンシと時間同期の問題に対して堅牢性を維持する。
IEC 61850準拠のデジタル変電所における本手法の実用的展開適性を示す。
論文 参考訳（メタデータ） (2025-07-01T07:38:22Z) - 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) - A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。
われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
論文 参考訳（メタデータ） (2024-06-18T08:42:51Z) - 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) - 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) - 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) - 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。