論文の概要: Lightweight CNN-Based Wi-Fi Intrusion Detection Using 2D Traffic Representations

• arxiv url: http://arxiv.org/abs/2510.11898v1
• Date: Mon, 13 Oct 2025 19:59:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.083305
• Title: Lightweight CNN-Based Wi-Fi Intrusion Detection Using 2D Traffic Representations
• Title（参考訳）: 2次元トラフィック表現を用いた軽量CNNによるWi-Fi侵入検出
• Authors: Rayed Suhail Ahmad, Rehan Ahmad, Quamar Niyaz,
• Abstract要約: 深層学習に基づくWi-Fi環境用ネットワーク侵入検知システム(NIDS)を提案する。 ネットワークトラフィックを2次元のデータ表現に変換し、畳み込みニューラルネットワーク(CNN)アーキテクチャに基づいたDLモデルのトレーニングに使用する。 実験結果から,提案手法は低推論時間で競合検出性能を実現することが示された。
• 参考スコア（独自算出の注目度）: 3.5225862270941946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wi-Fi networks are ubiquitous in both home and enterprise environments, serving as a primary medium for Internet access and forming the backbone of modern IoT ecosystems. However, their inherent vulnerabilities, combined with widespread adoption, create opportunities for malicious actors to gain unauthorized access or compromise sensitive data stored on connected devices. To address these challenges, we propose a deep learning based network intrusion detection system (NIDS) for Wi-Fi environments. Building on our previous work, we convert network traffic into two-dimensional data representations and use them to train DL models based on convolutional neural network (CNN) architectures. We implement five distinct techniques for generating the two-dimensional representations, and to ensure low detection latency, we adopt lightweight CNN architectures in our NIDS. The models are trained using the AWID3 dataset, a publicly available benchmark for Wi-Fi NIDS research, and are evaluated for both binary and multi-class classification tasks. Experimental results demonstrate that the proposed approach achieves competitive detection performance with low inference time, making it suitable for real-world Wi-Fi deployment scenarios.
• Abstract（参考訳）: Wi-Fiネットワークは家庭と企業の両方で広く普及しており、インターネットアクセスの主要な媒体となり、現代のIoTエコシステムのバックボーンを形成している。 しかし、それらの固有の脆弱性は広く採用され、悪意あるアクターが不正アクセスを得たり、接続されたデバイスに格納された機密データを侵害する可能性がある。 これらの課題に対処するため,Wi-Fi環境における深層学習に基づくネットワーク侵入検知システム (NIDS) を提案する。 これまでの研究に基づいて、ネットワークトラフィックを2次元のデータ表現に変換し、畳み込みニューラルネットワーク(CNN)アーキテクチャに基づいたDLモデルのトレーニングに使用します。 我々は2次元表現を生成するために5つの異なる手法を実装し、低検出遅延を確保するために、NIDSに軽量CNNアーキテクチャを採用する。 モデルは、Wi-Fi NIDS研究用の公開ベンチマークであるAWID3データセットを使用してトレーニングされ、バイナリとマルチクラスの両方の分類タスクで評価される。 実験により,提案手法は,実際のWi-Fi配置シナリオに適合し,低推論時間で競合検出性能を実現することを示す。

関連論文リスト

• Exploring Neural Network Pruning with Screening Methods [3.443622476405787]
  現代のディープラーニングモデルは数千万のパラメータを持ち、推論プロセスはリソース集約化されている。 本稿では,非必須パラメータを除去するネットワーク・プルーニング・フレームワークの提案と評価を行う。 提案するフレームワークは,従来のネットワークと比較して,競争力のあるリーンネットワークを生成する。
  論文  参考訳（メタデータ） (2025-02-11T02:31:04Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)
• Physical-Layer Semantic-Aware Network for Zero-Shot Wireless Sensing [74.12670841657038]
  デバイスレスワイヤレスセンシングは、幅広い没入型人間機械対話型アプリケーションをサポートする可能性から、近年、大きな関心を集めている。 無線信号におけるデータの均一性と分散センシングにおけるデータプライバシ規制は、広域ネットワークシステムにおける無線センシングの広範な適用を妨げる主要な課題であると考えられている。 そこで本研究では,ラベル付きデータを使わずに,一箇所ないし限られた箇所で構築されたモデルを直接他の場所に転送できるゼロショット無線センシングソリューションを提案する。
  論文  参考訳（メタデータ） (2023-12-08T13:50:30Z)
• RIDE: Real-time Intrusion Detection via Explainable Machine Learning Implemented in a Memristor Hardware Architecture [24.824596231020585]
  本稿では、パケットの任意の長さのシーケンスをよりコンパクトな結合機能埋め込みに統合するために、リカレントオートエンコーダを利用するパケットレベルのネットワーク侵入検出ソリューションを提案する。 提案手法は,パケットレベルで高い検出精度で,極めて効率的かつリアルタイムな解が得られることを示す。
  論文  参考訳（メタデータ） (2023-11-27T17:30:19Z)
• Quantifying and Managing Impacts of Concept Drifts on IoT Traffic Inference in Residential ISP Networks [1.4027589547318842]
  インターネットサービスプロバイダ(ISP)は、家庭ごとのアクティブなIoTデバイスの自動推論によるリスク軽減において、最も重要な役割を担っている。 本稿では,デバイス動作のラベル付きデータに制限がある場合に,データ駆動推論モデルの開発と適用の課題に焦点を当てる。
  論文  参考訳（メタデータ） (2023-01-17T04:20:33Z)
• DOC-NAD: A Hybrid Deep One-class Classifier for Network Anomaly Detection [0.0]
  ネットワーク侵入検知システム(NIDS)の検出能力を高めるために機械学習アプローチが用いられている。 最近の研究は、バイナリとマルチクラスのネットワーク異常検出タスクに従うことで、ほぼ完璧な性能を実現している。 本稿では,ネットワークデータサンプルの学習のみによるネットワーク侵入検出のためのDeep One-Class (DOC)分類器を提案する。
  論文  参考訳（メタデータ） (2022-12-15T00:08:05Z)
• Online Hybrid Lightweight Representations Learning: Its Application to Visual Tracking [42.49852446519412]
  本稿では,ストリーミングデータのための新しいハイブリッド表現学習フレームワークを提案する。 ビデオ内の画像フレームは、2つの異なるディープニューラルネットワークのアンサンブルによってモデル化される。 ハイブリッド表現手法をオンライン視覚追跡タスクに組み込む。
  論文  参考訳（メタデータ） (2022-05-23T10:31:14Z)
• Deep Learning based Covert Attack Identification for Industrial Control Systems [5.299113288020827]
  我々は、スマートグリッドに対する秘密攻撃と呼ばれるサイバー攻撃を検出し、診断し、ローカライズするために使用できるデータ駆動フレームワークを開発した。 このフレームワークは、オートエンコーダ、リカレントニューラルネットワーク(RNN)とLong-Short-Term-Memory層、Deep Neural Network(DNN)を組み合わせたハイブリッド設計である。
  論文  参考訳（メタデータ） (2020-09-25T17:48:43Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。