論文の概要: Unsupervised Anomaly Detection for Smart IoT Devices: Performance and Resource Comparison

• arxiv url: http://arxiv.org/abs/2511.21842v1
• Date: Wed, 26 Nov 2025 19:17:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.259181
• Title: Unsupervised Anomaly Detection for Smart IoT Devices: Performance and Resource Comparison
• Title（参考訳）: スマートIoTデバイスの教師なし異常検出:性能と資源比較
• Authors: Md. Sad Abdullah Sami, Mushfiquzzaman Abid,
• Abstract要約: 本研究では, 隔離林 (IF) と一級支援ベクトルマシン (OC-SVM) の2つの教師なし異常検出手法の有効性について検討した。 IFはOC-SVMを一貫して上回り、高い検出精度、優れた精度、リコールを実現し、F1スコアも大幅に向上した。 これらの知見は、高次元および不均衡なIoT環境におけるアイソレーションフォレストのロバスト性を裏付けるものである。
• 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 expansion of Internet of Things (IoT) deployments across diverse sectors has significantly enhanced operational efficiency, yet concurrently elevated cybersecurity vulnerabilities due to increased exposure to cyber threats. Given the limitations of traditional signature-based Anomaly Detection Systems (ADS) in identifying emerging and zero-day threats, this study investigates the effectiveness of two unsupervised anomaly detection techniques, Isolation Forest (IF) and One-Class Support Vector Machine (OC-SVM), using the TON_IoT thermostat dataset. A comprehensive evaluation was performed based on standard metrics (accuracy, precision, recall, and F1-score) alongside critical resource utilization metrics such as inference time, model size, and peak RAM usage. Experimental results revealed that IF consistently outperformed OC-SVM, achieving higher detection accuracy, superior precision, and recall, along with a significantly better F1-score. Furthermore, Isolation Forest demonstrated a markedly superior computational footprint, making it more suitable for deployment on resource-constrained IoT edge devices. These findings underscore Isolation Forest's robustness in high-dimensional and imbalanced IoT environments and highlight its practical viability for real-time anomaly detection.
• Abstract（参考訳）: さまざまな分野にわたるIoT(Internet of Things)デプロイメントの急速な拡大は、運用効率を大幅に向上させたが、サイバー脅威の増大によるサイバーセキュリティの脆弱性を同時に増加させた。 ToN_IoTサーモスタットデータセットを用いて、従来のシグネチャベースの異常検出システム(ADS)の出現とゼロデイの脅威を識別する際の限界を考慮し、2つの教師なし異常検出技術であるアイソレーションフォレスト(IF)とワンクラスサポートベクトルマシン(OC-SVM)の有効性について検討した。 標準メトリクス(精度、精度、リコール、F1スコア)と、推論時間、モデルサイズ、ピークRAM使用量といった重要なリソース利用メトリクスに基づいて、包括的な評価が行われた。 実験結果から、IFはOC-SVMを一貫して上回り、高い検出精度、優れた精度、リコールを実現し、F1スコアも大幅に向上した。 さらに、Isolation Forestは計算フットプリントが著しく優れており、リソース制約のIoTエッジデバイスへのデプロイにより適している。 これらの知見は、高次元および不均衡なIoT環境におけるアイソレーションフォレストの堅牢性を強調し、リアルタイム異常検出の実用性を強調している。

関連論文リスト

• 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)
• 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)
• Free Lunch for Generating Effective Outlier Supervision [46.37464572099351]
  本稿では, ほぼ現実的な外乱監視を実現するための超効率的な手法を提案する。 提案したtextttBayesAug は,従来の方式に比べて偽陽性率を 12.50% 以上削減する。
  論文  参考訳（メタデータ） (2023-01-17T01:46:45Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Robust Attack Detection Approach for IIoT Using Ensemble Classifier [0.0]
  目的は、IIoTネットワークの信頼性を高めるために、2相異常検出モデルを開発することである。 提案されたモデルは、WUSTL_IIOT-2018、N_Ba IoT、Bot_IoTなどの標準的なIoT攻撃オフレーヤでテストされている。 また,提案モデルが従来の手法より優れており,IIoTネットワークの信頼性が向上していることを示す。
  論文  参考訳（メタデータ） (2021-01-30T07:21:44Z)
• 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)

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。