論文の概要: Lightweight Autoencoder-Isolation Forest Anomaly Detection for Green IoT Edge Gateways

• arxiv url: http://arxiv.org/abs/2511.18235v1
• Date: Sun, 23 Nov 2025 00:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.711682
• Title: Lightweight Autoencoder-Isolation Forest Anomaly Detection for Green IoT Edge Gateways
• Title（参考訳）: グリーンIoTエッジゲートウェイの軽量オートエンコーダ・アイソレーション森林異常検出
• Authors: Saeid Jamshidi, Fatemeh Erfan, Omar Abdul-Wahab, Martine Bellaiche, Foutse Khomh,
• Abstract要約: 従来の異常検出方式は、計算効率と環境への影響を見越しながら精度を優先することが多い。 本稿では,表現学習と異常スコアリングを統合した,持続可能なハイブリッド型異常検出フレームワークであるtextitEcoDefenderについて述べる。 現実的なIoTトラフィックの実験では、これらの理論的洞察を確認し、AEのみのベースラインと比較して平均CPU使用率22%、27msの推論レイテンシ、30%のエネルギー消費で、最大94%の検出精度を達成した。
• 参考スコア（独自算出の注目度）: 5.113469590433218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid growth of the Internet of Things (IoT) has given rise to highly diverse and interconnected ecosystems that are increasingly susceptible to sophisticated cyber threats. Conventional anomaly detection schemes often prioritize accuracy while overlooking computational efficiency and environmental impact, which limits their deployment in resource-constrained edge environments. This paper presents \textit{EcoDefender}, a sustainable hybrid anomaly detection framework that integrates \textit{Autoencoder(AE)}-based representation learning with \textit{Isolation Forest(IF)} anomaly scoring. Beyond empirical performance, EcoDefender is supported by a theoretical foundation that establishes formal guarantees for its stability, convergence, robustness, and energy-complexity coupling-thereby linking computational behavior to energy efficiency. Furthermore, experiments on realistic IoT traffic confirm these theoretical insights, achieving up to 94\% detection accuracy with an average CPU usage of only 22\%, 27 ms inference latency, and 30\% lower energy consumption compared to AE-only baselines. By embedding sustainability metrics directly into the security evaluation process, this work demonstrates that reliable anomaly detection and environmental responsibility can coexist within next-generation green IoT infrastructures, aligning with the United Nations Sustainable Development Goals (SDG 9: resilient infrastructure, SDG 13: climate action).
• Abstract（参考訳）: IoT(Internet of Things)の急速な成長により、高度に多様な相互接続されたエコシステムが台頭し、高度なサイバー脅威の影響を受けやすくなっている。 従来の異常検出方式は、計算効率と環境への影響を見越しながら精度を優先することが多く、資源制約されたエッジ環境への展開を制限する。 本稿では,<textit{EcoDefender} と <textit{Autoencoder(AE") を用いた表現学習と <textit{Isolation Forest(IF) の異常スコアリングを統合した,持続可能なハイブリッドな異常検出フレームワークを提案する。 EcoDefenderは経験的性能以外にも、その安定性、収束性、堅牢性、エネルギー-複雑結合の正式な保証を確立する理論的な基礎によって支持されている。 さらに、現実的なIoTトラフィックの実験では、これらの理論的な洞察を確認し、AEのみのベースラインと比較して、平均CPU使用率22\%、27msの推論レイテンシ、30\%のエネルギー消費で、最大94\%の検出精度を実現している。 この研究は、サステナビリティ指標を直接セキュリティ評価プロセスに組み込むことによって、次世代のグリーンIoTインフラストラクチャ内で、信頼性の高い異常検出と環境責任が共存できることを示し、国連持続開発目標(SDG 9: resilient infrastructure, SDG 13: climate action)に準拠する。

関連論文リスト

• Securing IoT Communications via Anomaly Traffic Detection: Synergy of Genetic Algorithm and Ensemble Method [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-21T22:42:05Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
  半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。 本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。 実験結果から,本手法は既存のコントラスト学習手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-07-14T21:02:34Z)
• Hybrid Temporal Differential Consistency Autoencoder for Efficient and Sustainable Anomaly Detection in Cyber-Physical Systems [0.0]
  重要なインフラ、特に配水システムに対するサイバー攻撃は、急速なデジタル化により増加した。 本研究では,センサデータの時間相関を利用した異常検出における重要な課題に対処する。 本稿では,決定論的ノードと従来の統計ノードの両方を組み込んでTDCを拡張するハイブリッドTDC-AEという,ハイブリッドオートエンコーダに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-08T09:22:44Z)
• Towards Robust Stability Prediction in Smart Grids: GAN-based Approach under Data Constraints and Adversarial Challenges [53.2306792009435]
  本稿では,安定したデータのみを用いて,スマートグリッドの不安定性を検出する新しいフレームワークを提案する。 最大98.1%の精度でグリッド安定性を予測でき、98.9%で敵の攻撃を検知できる。 シングルボードコンピュータ上で実装され、7ms以下の平均応答時間でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-01-27T20:48:25Z)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• 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)

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。