論文の概要: OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT

• arxiv url: http://arxiv.org/abs/2510.05180v1
• Date: Sun, 05 Oct 2025 16:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:07.893229
• Title: OptiFLIDS: Optimized Federated Learning for Energy-Efficient Intrusion Detection in IoT
• Title（参考訳）: OptiFLIDS:IoTにおけるエネルギー効率の高い侵入検知のための最適化されたフェデレーション学習
• Authors: Saida Elouardi, Mohammed Jouhari, Anas Motii,
• Abstract要約: IoT環境では、セキュリティを確保するために効果的な侵入検知システム(IDS)が不可欠である。 従来の機械学習ベースのIDSモデルは一般的に大規模なデータセットを必要とするが、プライバシやセキュリティ上の懸念からデータ共有は制限されることが多い。 本稿では,モデル複雑性とエネルギー消費を低減するため,局所訓練中にプルーニング技術を適用したOptiFLIDSを提案する。
• 参考スコア（独自算出の注目度）: 0.8258451067861933
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In critical IoT environments, such as smart homes and industrial systems, effective Intrusion Detection Systems (IDS) are essential for ensuring security. However, developing robust IDS solutions remains a significant challenge. Traditional machine learning-based IDS models typically require large datasets, but data sharing is often limited due to privacy and security concerns. Federated Learning (FL) presents a promising alternative by enabling collaborative model training without sharing raw data. Despite its advantages, FL still faces key challenges, such as data heterogeneity (non-IID data) and high energy and computation costs, particularly for resource constrained IoT devices. To address these issues, this paper proposes OptiFLIDS, a novel approach that applies pruning techniques during local training to reduce model complexity and energy consumption. It also incorporates a customized aggregation method to better handle pruned models that differ due to non-IID data distributions. Experiments conducted on three recent IoT IDS datasets, TON_IoT, X-IIoTID, and IDSIoT2024, demonstrate that OptiFLIDS maintains strong detection performance while improving energy efficiency, making it well-suited for deployment in real-world IoT environments.
• Abstract（参考訳）: スマートホームや産業システムといった重要なIoT環境では、セキュリティを確保するために効果的な侵入検知システム(IDS)が不可欠である。 しかし、堅牢なIDSソリューションの開発は依然として大きな課題である。 従来の機械学習ベースのIDSモデルは一般的に大規模なデータセットを必要とするが、プライバシやセキュリティ上の懸念からデータ共有は制限されることが多い。 Federated Learning (FL)は、生データを共有せずに協調的なモデルトレーニングを可能にすることで、有望な選択肢を提供する。 その利点にもかかわらず、FLはデータ不均一性(非IIDデータ)や高エネルギーと計算コスト、特にリソースに制約のあるIoTデバイスといった重要な課題に直面している。 これらの課題に対処するため,本論文では,モデル複雑性とエネルギー消費を低減するために,局所訓練中にプルーニング技術を適用した新しいアプローチであるOptiFLIDSを提案する。 また、IID以外のデータ分布によって異なるプルーニングモデルを扱うために、カスタマイズされたアグリゲーション手法も組み込まれている。 最近の3つのIoT IDSデータセット、ToN_IoT、X-IIoTID、IDSIoT2024で実施された実験は、OptiFLIDSがエネルギー効率を改善しながら強力な検出性能を維持し、実際のIoT環境へのデプロイに適していることを示した。

関連論文リスト

• LLMs meet Federated Learning for Scalable and Secure IoT Management [6.649910168731417]
  従来の集中型アーキテクチャは、レイテンシ、プライバシの懸念、リソースの過剰消費に悩まされている。 本稿では,IoTシステムインテリジェンスの向上を目的とした,FL-LLM(Federated Learning-driven Large Language Model)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-22T16:56:59Z)
• 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)
• Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
  大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。 無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。 本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
  論文  参考訳（メタデータ） (2024-04-20T02:30:21Z)
• 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)
• Filling the Missing: Exploring Generative AI for Enhanced Federated Learning over Heterogeneous Mobile Edge Devices [72.61177465035031]
  ローカルデータのFIMI(FIlling the MIssing)部分を活用することにより,これらの課題に対処する,AIを活用した創発的なフェデレーション学習を提案する。 実験の結果,FIMIはデバイス側エネルギーの最大50%を節約し,目標とするグローバルテスト精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2023-10-21T12:07:04Z)
• Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual Antenna Arrays [55.736718475856726]
  無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である 既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。 協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
  論文  参考訳（メタデータ） (2023-08-03T02:49:50Z)
• Dependable Intrusion Detection System for IoT: A Deep Transfer Learning-based Approach [0.0]
  本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。 これは、少量のラベル付きデータに対して、通常のシナリオとアタックシナリオを特定するのに最も適している、効果的な属性選択を含んでいる。 また、信頼性の高い深層移動学習ベースのResNetモデルや、実世界のデータを考慮した評価も含んでいる。
  論文  参考訳（メタデータ） (2022-04-11T02:46:22Z)
• Exploring Deep Reinforcement Learning-Assisted Federated Learning for Online Resource Allocation in EdgeIoT [53.68792408315411]
  フェデレートラーニング(FL)は、モバイルエッジコンピューティングベースのInternet of Thing(EdgeIoT)における盗聴攻撃からデータトレーニングプライバシを保護するために、ますます検討されている。 本研究では,連続領域における最適精度とエネルギー収支を達成するために,FLDLT3フレームワークを提案する。 その結果、FL-DLT3は100回未満の高速収束を実現し、FLの精度-エネルギー消費比は既存の最先端ベンチマークと比較して51.8%向上した。
  論文  参考訳（メタデータ） (2022-02-15T13:36:15Z)
• Differentially Private Federated Learning for Resource-Constrained Internet of Things [24.58409432248375]
  フェデレーション学習は、中央にデータをアップロードすることなく、分散されたスマートデバイスから大量のデータを分析できる。 本稿では、IoTのリソース制約されたスマートデバイスにまたがるデータから機械学習モデルを効率的にトレーニングするためのDP-PASGDと呼ばれる新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-28T04:32:54Z)

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。