論文の概要: Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method
- arxiv url: http://arxiv.org/abs/2510.19121v1
- Date: Tue, 21 Oct 2025 22:42:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:14.823481
- Title: Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method
- Title（参考訳）: 異常トラフィック検出によるIoT通信のセキュア化:遺伝的アルゴリズムとアンサンブル法の相乗効果
- Authors: Behnam Seyedi, Octavian Postolache,
- Abstract要約: モノのインターネットの急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで産業を変革させた。
IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、データ操作など、セキュリティ上の脅威に対して脆弱なままである。
本稿では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid growth of the Internet of Things (IoT) has transformed industries by enabling seamless data exchange among connected devices. However, IoT networks remain vulnerable to security threats such as denial of service (DoS) attacks, anomalous traffic, and data manipulation due to decentralized architectures and limited resources. To address these issues, this paper proposes an advanced anomaly detection framework with three main phases. First, data preprocessing is performed using the Median KS Test to remove noise, handle missing values, and balance datasets for cleaner input. Second, a feature selection phase employs a Genetic Algorithm combined with eagle inspired search strategies to identify the most relevant features, reduce dimensionality, and improve efficiency without sacrificing accuracy. Finally, an ensemble classifier integrates Decision Tree, Random Forest, and XGBoost algorithms to achieve accurate and reliable anomaly detection. The proposed model demonstrates high adaptability and scalability across diverse IoT environments. Experimental results show that it outperforms existing methods by achieving 98 percent accuracy, 95 percent detection rate, and reductions in false positive (10 percent) and false negative (5 percent) rates. These results confirm the framework effectiveness and robustness in improving IoT network security against evolving cyber threats.
- Abstract（参考訳）: IoT(Internet of Things)の急速な成長は、コネクテッドデバイス間でシームレスなデータ交換を可能にすることで、業界を変革させた。
しかしながら、IoTネットワークは、DoS(DoS)攻撃、異常トラフィック、分散アーキテクチャと限られたリソースによるデータ操作などのセキュリティ上の脅威に対して脆弱なままである。
これらの問題に対処するために,本論文では,3つの主要な位相を持つ高度な異常検出フレームワークを提案する。
まず、Median KS Testを使用してデータ前処理を行い、ノイズを除去し、欠落した値を処理し、よりクリーンな入力のためにデータセットのバランスをとる。
第二に、特徴選択フェーズでは、イーグルにインスパイアされた探索戦略と組み合わせて、最も関連性の高い特徴を特定し、寸法を減らし、精度を犠牲にすることなく効率を向上させる。
最後に、アンサンブル分類器は決定木、ランダムフォレスト、XGBoostアルゴリズムを統合し、正確で信頼性の高い異常検出を実現する。
提案したモデルは,さまざまなIoT環境にまたがる高い適応性とスケーラビリティを示す。
実験の結果、98%の精度、95%の検知率、10%の偽陽性率、5%の偽陰性率の低下によって、既存の手法よりも優れていた。
これらの結果は、進化するサイバー脅威に対するIoTネットワークセキュリティの改善におけるフレームワークの有効性と堅牢性を確認している。
関連論文リスト
- Optimizing Resource Allocation and Energy Efficiency in Federated Fog Computing for IoT [0.0]
アドレス解決プロトコル(ARP)攻撃はモノのインターネット(IoT)ネットワークを脅かす。
従来の検出方法は、高い偽陽性と低い適応性のために不十分である。
本研究は,IoTネットワークにおけるARPスプーリングをインテリジェントに検出する多層機械学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-22T17:10:32Z) - Optimized detection of cyber-attacks on IoT networks via hybrid deep learning models [7.136205674624813]
モノのインターネット(IoT)デバイスの急速な拡張は、サイバー攻撃のリスクを高めている。
本研究は,自己組織マップ(SOMs),ディープリーフネットワーク(DBNs),およびオートエンコーダを組み合わせた新たなアプローチを導入し,既知の,あるいはこれまで目に見えない攻撃パターンを検出する。
論文 参考訳（メタデータ） (2025-02-17T06:01:06Z) - Enhanced Intrusion Detection in IIoT Networks: A Lightweight Approach with Autoencoder-Based Feature Learning [0.0]
侵入検知システム(IDS)は,異常なネットワーク行動や悪質な活動の検出・防止に不可欠である。
本研究は,次元縮小のためのオートエンコーダの活用を含む,IDS性能向上のための6つの革新的なアプローチを実装した。
我々はJetson Nano上で最初にモデルをデプロイし、バイナリ分類では0.185ms、マルチクラス分類では0.187msの推論時間を達成する。
論文 参考訳（メタデータ） (2025-01-25T16:24:18Z) - Enhancing Intrusion Detection in IoT Environments: An Advanced Ensemble Approach Using Kolmogorov-Arnold Networks [3.1309870454820277]
本稿では,KAN(Kolmogorov-Arnold Networks)とXGBoostアルゴリズムを組み合わせたハイブリッド侵入検知システムを提案する。
提案したIDSは,学習可能なアクティベーション関数を用いてデータ内の複雑な関係をモデル化し,XGBoostの強力なアンサンブル学習手法と併用する。
実験により,我々のハイブリッドIDSは,良性行動と悪意行動の区別において,99%以上の精度で検出できることがわかった。
論文 参考訳（メタデータ） (2024-08-28T15:58:49Z) - 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) - 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) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z) - 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。