論文の概要: Towards eco friendly cybersecurity: machine learning based anomaly detection with carbon and energy metrics

• arxiv url: http://arxiv.org/abs/2601.00893v1
• Date: Wed, 31 Dec 2025 14:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:21.831557
• Title: Towards eco friendly cybersecurity: machine learning based anomaly detection with carbon and energy metrics
• Title（参考訳）: エコフレンドリーなサイバーセキュリティを目指して--炭素とエネルギーのメトリクスを用いた機械学習による異常検出
• Authors: KC Aashish, Md Zakir Hossain Zamil, Md Shafiqul Islam Mridul, Lamia Akter, Farmina Sharmin, Eftekhar Hossain Ayon, Md Maruf Bin Reza, Ali Hassan, Abdur Rahim, Sirapa Malla,
• Abstract要約: 本研究では,機械学習に基づくネットワークモニタリングをリアルタイムな炭素・エネルギー追跡と統合する,エコ認識異常検出フレームワークを提案する。 我々は、エネルギー、炭素、性能の異なるロジスティック回帰、ランダムフォレスト、サポートベクトルマシン、隔離フォレスト、XGBoostモデルをベンチマークする。 その結果、最適化されたランダムフォレストと軽量なロジスティック回帰モデルが最もエコ効率が高く、XGBoostと比較してエネルギー消費量が40%以上減少していることがわかった。
• 参考スコア（独自算出の注目度）: 0.17476892297485447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rising energy footprint of artificial intelligence has become a measurable component of US data center emissions, yet cybersecurity research seldom considers its environmental cost. This study introduces an eco aware anomaly detection framework that unifies machine learning based network monitoring with real time carbon and energy tracking. Using the publicly available Carbon Aware Cybersecurity Traffic Dataset comprising 2300 flow level observations, we benchmark Logistic Regression, Random Forest, Support Vector Machine, Isolation Forest, and XGBoost models across energy, carbon, and performance dimensions. Each experiment is executed in a controlled Colab environment instrumented with the CodeCarbon toolkit to quantify power draw and equivalent CO2 output during both training and inference. We construct an Eco Efficiency Index that expresses F1 score per kilowatt hour to capture the trade off between detection quality and environmental impact. Results reveal that optimized Random Forest and lightweight Logistic Regression models achieve the highest eco efficiency, reducing energy consumption by more than forty percent compared to XGBoost while sustaining competitive detection accuracy. Principal Component Analysis further decreases computational load with negligible loss in recall. Collectively, these findings establish that integrating carbon and energy metrics into cybersecurity workflows enables environmentally responsible machine learning without compromising operational protection. The proposed framework offers a reproducible path toward sustainable carbon accountable cybersecurity aligned with emerging US green computing and federal energy efficiency initiatives.
• Abstract（参考訳）: 人工知能のエネルギーフットプリントの増大は、米国のデータセンターのエミッションの計測可能な要素となっているが、サイバーセキュリティの研究は、その環境コストをほとんど考慮していない。 本研究では,機械学習に基づくネットワークモニタリングをリアルタイムな炭素・エネルギー追跡と統合する,エコ認識異常検出フレームワークを提案する。 利用可能な2300フローレベルの観測を含むCarbon Aware Cybersecurity Traffic Datasetを用いて、エネルギー、炭素、パフォーマンスの面でのロジスティック回帰、ランダムフォレスト、サポートベクターマシン、アイソレーションフォレスト、XGBoostモデルのベンチマークを行う。 それぞれの実験は、CodeCarbonツールキットで計測された制御されたColab環境で実行され、トレーニングと推論の両方の間、パワードローと同等のCO2出力を定量化する。 本研究では, 検出品質と環境影響のトレードオフを捉えるために, 毎キロワット毎のF1スコアを表現するエコ効率指数を構築した。 その結果、最適化されたランダムフォレストと軽量なロジスティック回帰モデルが最も高いエコ効率を実現し、XGBoostと比較してエネルギー消費量を40%以上削減し、競合検出精度を維持した。 主成分分析は、リコールにおける無視可能な損失を伴う計算負荷をさらに減少させる。 これらの知見は総合的に、炭素とエネルギーのメトリクスをサイバーセキュリティワークフローに統合することで、運用上の保護を損なうことなく、環境に責任を負う機械学習が可能になることを証明している。 提案されたフレームワークは、新興の米国グリーンコンピューティングと連邦政府のエネルギー効率イニシアチブと整合した、持続可能な炭素説明可能なサイバーセキュリティへの再現可能なパスを提供する。

関連論文リスト

• Lightweight Autoencoder-Isolation Forest Anomaly Detection for Green IoT Edge Gateways [5.113469590433218]
  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。
  論文  参考訳（メタデータ） (2025-11-23T00:48:34Z)
• CarboFormer: A Lightweight Semantic Segmentation Architecture for Efficient Carbon Dioxide Detection Using Optical Gas Imaging [4.567122178196833]
  二酸化炭素排出量(CO$$)は、環境影響と産業プロセスの両方の重要な指標である。 光ガスイメージング(OGI)のための軽量セマンティックセグメンテーションフレームワークCarboFormerを紹介する。 提案手法は,最適化エンコーダデコーダアーキテクチャと,特殊なマルチスケール機能融合と補助監視戦略を統合したものである。
  論文  参考訳（メタデータ） (2025-05-23T18:01:42Z)
• Prompt engineering and its implications on the energy consumption of Large Language Models [4.791072577881446]
  ソフトウェア工学における大規模言語モデル(LLM)は、計算資源、データセンター、二酸化炭素排出に関する深刻な問題を引き起こす。 本稿では,コード生成タスクにおけるLlama 3モデルの炭素排出に及ぼすPETの影響について検討する。
  論文  参考訳（メタデータ） (2025-01-10T11:49:31Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning [0.0]
  敵MLの炭素フットプリントに関する最初の研究を開拓した。 ロバストネス炭素トレードオフ指数(RCTI)について紹介する。 この新しい計量は、経済の弾力性原理にインスパイアされ、反対の強靭性の変化に対する二酸化炭素の感度を捉えている。
  論文  参考訳（メタデータ） (2024-03-27T21:02:15Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
  eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。 モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
  論文  参考訳（メタデータ） (2022-07-31T09:34:53Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• Towards the Systematic Reporting of the Energy and Carbon Footprints of Machine Learning [68.37641996188133]
  我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。 エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。 炭素排出量削減とエネルギー消費削減のための戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-31T05:12:59Z)

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。