論文の概要: A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under non-IID Challenges

• arxiv url: http://arxiv.org/abs/2511.16822v1
• Date: Thu, 20 Nov 2025 22:05:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.816479
• Title: A Robust Federated Learning Approach for Combating Attacks Against IoT Systems Under non-IID Challenges
• Title（参考訳）: 非IID課題下でのIoTシステムへの攻撃に対するロバストなフェデレーション学習アプローチ
• Authors: Eyad Gad, Zubair Md Fadlullah, Mostafa M. Fouda,
• Abstract要約: 本研究は, 統計的不均一性による課題を包括的に理解し, 解決することを目的としている。 本研究では,CICIoT2023データセットを用いて大規模IoT攻撃を分類する。
• 参考スコア（独自算出の注目度）: 3.7013094237697834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the context of the growing proliferation of user devices and the concurrent surge in data volumes, the complexities arising from the substantial increase in data have posed formidable challenges to conventional machine learning model training. Particularly, this is evident within resource-constrained and security-sensitive environments such as those encountered in networks associated with the Internet of Things (IoT). Federated Learning has emerged as a promising remedy to these challenges by decentralizing model training to edge devices or parties, effectively addressing privacy concerns and resource limitations. Nevertheless, the presence of statistical heterogeneity in non-Independently and Identically Distributed (non-IID) data across different parties poses a significant hurdle to the effectiveness of FL. Many FL approaches have been proposed to enhance learning effectiveness under statistical heterogeneity. However, prior studies have uncovered a gap in the existing research landscape, particularly in the absence of a comprehensive comparison between federated methods addressing statistical heterogeneity in detecting IoT attacks. In this research endeavor, we delve into the exploration of FL algorithms, specifically FedAvg, FedProx, and Scaffold, under different data distributions. Our focus is on achieving a comprehensive understanding of and addressing the challenges posed by statistical heterogeneity. In this study, We classify large-scale IoT attacks by utilizing the CICIoT2023 dataset. Through meticulous analysis and experimentation, our objective is to illuminate the performance nuances of these FL methods, providing valuable insights for researchers and practitioners in the domain.
• Abstract（参考訳）: ユーザデバイスの増加とデータボリュームの同時増加の状況において、データ量の大幅な増加による複雑さは、従来の機械学習モデルトレーニングに重大な課題をもたらしている。 特に、IoT(Internet of Things)に関連するネットワークで発生するような、リソースに制約のある、セキュリティに敏感な環境において、これは明らかである。 フェデレートラーニング(Federated Learning)は、エッジデバイスやパーティにモデルトレーニングを分散させ、プライバシの懸念やリソースの制限に効果的に対処することで、これらの課題に対する有望な対策として登場した。 それにもかかわらず、非独立性およびIdentically Distributed(非IID)データにおける統計的不均一性の存在は、FLの有効性に大きなハードルとなる。 統計的不均一性下での学習効率を高めるために多くのFL手法が提案されている。 しかし、これまでの研究では、特にIoT攻撃の検出における統計的不均一性に対処するフェデレーション手法の包括的比較が欠如しているため、既存の研究状況のギャップが明らかになっている。 本研究では,FLアルゴリズム,特にFedAvg,FedProx,Scaffoldを,異なるデータ分布下で探索する。 我々の焦点は、統計的不均一性によって引き起こされる課題を包括的に理解し、解決することにある。 本研究では,CICIoT2023データセットを用いて大規模IoT攻撃を分類する。 本研究の目的は,厳密な分析と実験を通じて,これらのFL手法の性能を照らし,その領域の研究者や実践者に貴重な洞察を提供することである。

関連論文リスト

• Adaptive Dual-Mode Distillation with Incentive Schemes for Scalable, Heterogeneous Federated Learning on Non-IID Data [0.7880536261408863]
  Federated Learning(FL)は、ユーザプライバシを損なうことなく分散データの使用を可能にする、有望な分散学習(DL)アプローチとして登場した。 すべてのクライアントが同じ機械学習モデルをトレーニングできると仮定されるが、ビジネスニーズと計算資源の違いにより、すべてのクライアントがこの仮定を満たすことはできない。 統計的不均一性の文脈における効率、プライバシー保護、コミュニケーション効率の学習を容易にするDL-SHと、統計的格差に対処しながら完全に異種モデルを管理するためのDL-MHと、インセンティブに基づくインセンティブベースの拡張であるI-DL-MHを提案する。
  論文  参考訳（メタデータ） (2025-09-26T15:48:14Z)
• Federated Learning in the Wild: A Comparative Study for Cybersecurity under Non-IID and Unbalanced Settings [1.441946602098626]
  フェデレートラーニング(FL)は、複数のクライアントにわたるMLモデルの協調トレーニングを可能にする新しいパラダイムとして登場した。 本研究は、DDoS攻撃に対する侵入検知の文脈において、FL法を体系的に評価し、評価する。 我々の知る限りでは、現実的な非i.d.とアンバランスな設定下での侵入検出のためのFLアルゴリズムの比較分析はこれが初めてである。
  論文  参考訳（メタデータ） (2025-09-22T14:25:32Z)
• FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
  フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。 近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。 本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
  論文  参考訳（メタデータ） (2024-11-05T11:42:26Z)
• 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)
• A review on different techniques used to combat the non-IID and heterogeneous nature of data in FL [0.0]
  Federated Learning(FL)は、複数のエッジデバイス間で協調的なモデルトレーニングを可能にする機械学習アプローチである。 FLの重要性は、医療や金融などの業界で特に顕著であり、データのプライバシが最重要視されている。 この報告は、非IIDおよび異種データから生じる問題を掘り下げ、これらの課題に対処するために設計された現在のアルゴリズムを探求する。
  論文  参考訳（メタデータ） (2024-01-01T16:34:00Z)
• 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)
• Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
  AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。 このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。 我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
  論文  参考訳（メタデータ） (2023-06-05T09:08:24Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Evaluating Federated Learning for Intrusion Detection in Internet of Things: Review and Challenges [0.0]
  フェデレーテッド・ラーニング(FL)は、医療や交通システムなど、さまざまな分野で大きな関心を集めている。 我々は,IoTシナリオにおける異なる攻撃を検出するために,異なるデータ分布を考慮したマルチクラス分類器に基づくFL対応IDSアプローチを評価する。 我々は,既存の文献と評価結果の分析に基づいて,課題の集合と今後の方向性を同定する。
  論文  参考訳（メタデータ） (2021-08-02T15:22:05Z)

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。