論文の概要: SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2601.06466v1
• Date: Sat, 10 Jan 2026 07:23:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:00.830668
• Title: SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks
• Title（参考訳）: SecureDyn-FL:IoTネットワークにおける侵入検出のためのロバストなプライバシ保護フェデレーション学習フレームワーク
• Authors: Imtiaz Ali Soomro, Hamood Ur Rehman, S. Jawad Hussain ID, Adeel Iqbal, Waqas Khalid, Heejung Yu ID,
• Abstract要約: 我々は,IoTネットワークの侵入検出に適した,包括的で堅牢なプライバシー保護フェデレーション学習(FL)フレームワークを提案する。 SecureDyn-FLは、FLベースのIDSで複数のセキュリティディメンションを同時に扱うように設計されている。 SecureDyn-FL は最先端の FL ベースの IDS 防御よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.7724583352717439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid proliferation of Internet of Things (IoT) devices across domains such as smart homes, industrial control systems, and healthcare networks has significantly expanded the attack surface for cyber threats, including botnet-driven distributed denial-of-service (DDoS), malware injection, and data exfiltration. Conventional intrusion detec- tion systems (IDS) face critical challenges like privacy, scala- bility, and robustness when applied in such heterogeneous IoT environments. To address these issues, we propose SecureDyn- FL, a comprehensive and robust privacy-preserving federated learning (FL) framework tailored for intrusion detection in IoT networks. SecureDyn-FL is designed to simultaneously address multiple security dimensions in FL-based IDS: (1) poisoning detection through dynamic temporal gradient auditing, (2) privacy protection against inference and eavesdrop- ping attacks through secure aggregation, and (3) adaptation to heterogeneous non-IID data via personalized learning. The framework introduces three core contributions: (i) a dynamic temporal gradient auditing mechanism that leverages Gaussian mixture models (GMMs) and Mahalanobis distance (MD) to detect stealthy and adaptive poisoning attacks, (ii) an optimized privacy-preserving aggregation scheme based on transformed additive ElGamal encryption with adaptive pruning and quantization for secure and efficient communication, and (iii) a dual-objective personalized learning strategy that improves model adaptation under non-IID data using logit-adjusted loss. Extensive experiments on the N-BaIoT dataset under both IID and non-IID settings, including scenarios with up to 50% adversarial clients, demonstrate that SecureDyn- FL consistently outperforms state-of-the-art FL-based IDS defenses.
• Abstract（参考訳）: スマートホーム、産業制御システム、医療ネットワークといったドメインにまたがるIoT(Internet of Things)デバイスの急速な普及により、ボットネット駆動の分散型サービス拒否(DDoS)、マルウェア注入、データ流出など、サイバー脅威に対する攻撃面が大幅に拡大した。 従来の侵入型detec-tionシステム(IDS)は、このような異種IoT環境に適用する場合、プライバシやスカラ能力、堅牢性といった重要な課題に直面します。 これらの問題に対処するために,IoTネットワークの侵入検出に適した,包括的で堅牢なプライバシ保護フェデレーション学習(FL)フレームワークであるSecureDyn-FLを提案する。 SecureDyn-FLは,(1)動的時間勾配監査による中毒検出,(2)セキュアアグリゲーションによる推論と盗聴攻撃に対するプライバシ保護,(3)パーソナライズされた学習による異種非IIDデータへの適応など,FLベースのIDSにおける複数のセキュリティ次元に同時に対処するように設計されている。 このフレームワークには3つのコアコントリビューションが導入されている。 (i)ガウス混合モデル(GMM)とマハラノビス距離(MD)を利用してステルス性および適応性中毒攻撃を検出する動的時間勾配監査機構。 (II) セキュアかつ効率的な通信のための適応的プルーニングと量子化による変換された付加的ElGamal暗号に基づく最適化されたプライバシ保存アグリゲーション方式 3)ロジット調整損失を用いた非IIDデータに基づくモデル適応を改善する2目的型パーソナライズ学習戦略。 IIDと非IIDの両方の設定下でのN-BaIoTデータセットに関する大規模な実験では、最大50%の敵クライアントを持つシナリオを含む、SecureDyn-FLが、最先端のFLベースのIDS防御を一貫して上回っていることを実証している。

関連論文リスト

• Privacy-Preserving Healthcare Data in IoT: A Synergistic Approach with Deep Learning and Blockchain [0.5097809301149341]
  医療におけるIoT(Internet of Things)デバイスの統合は、リアルタイム監視、パーソナライズされた治療、効率的なデータ管理を可能にして、患者のケアに革命をもたらした。 従来のセキュリティ対策は、IoT環境がもたらすユニークな課題に対処するには不十分であることが多い。 我々は,IoT対応医療システムのセキュリティと信頼性を高めるために,総合的な3段階セキュリティフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-21T12:21:49Z)
• DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT [37.44256772381154]
  DP2Guardは、プライバシーと堅牢性の両方を強化する軽量PPFLフレームワークである。 特異値分解とコサイン類似性を用いて勾配特徴を抽出するハイブリッド防衛戦略を提案する。 信頼スコアに基づく適応アダプティブアグリゲーションスキームは、履歴行動に応じてクライアントの重みを調整する。
  論文  参考訳（メタデータ） (2025-07-22T01:06:39Z)
• Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning [39.58317527488534]
  本稿では, IEC 61850 SV インジェクション攻撃の検出, 防止, ソースローカライズのためのハイブリッド統計深度学習法を提案する。 悪質なSVフレームを最小の処理オーバーヘッドとレイテンシで事実上破棄し、通信ネットワークのレイテンシと時間同期の問題に対して堅牢性を維持する。 IEC 61850準拠のデジタル変電所における本手法の実用的展開適性を示す。
  論文  参考訳（メタデータ） (2025-07-01T07:38:22Z)
• Blockchain Meets Adaptive Honeypots: A Trust-Aware Approach to Next-Gen IoT Security [6.649910168731417]
  エッジコンピューティングベースのNext-Generation Wireless Networks (NGWN)-IoTは、大規模サービスプロビジョニングのために帯域幅を拡張できる。 既存の侵入検知・防止方法は、敵の攻撃戦略を継続的に適応させるため、限られたセキュリティを提供する。 本稿では,この課題に対処するための動的攻撃検出・防止手法を提案する。
  論文  参考訳（メタデータ） (2025-04-22T19:36:19Z)
• VAE-based Feature Disentanglement for Data Augmentation and Compression in Generalized GNSS Interference Classification [42.14439854721613]
  干渉の正確な分類を可能にする重要な潜伏特徴を抽出するために, アンタングル化のための変分オートエンコーダ (VAE) を提案する。 提案するVAEは512から8,192の範囲のデータ圧縮率を実現し,99.92%の精度を実現している。
  論文  参考訳（メタデータ） (2025-04-14T13:38:00Z)
• Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
  日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。 本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
  論文  参考訳（メタデータ） (2024-04-29T21:26:18Z)
• Enhancing IoT Security Against DDoS Attacks through Federated Learning [0.0]
  IoT(Internet of Things)は、物理デバイスとデジタル領域の間の変換接続を基盤としている。 従来のDDoS緩和アプローチは、IoTエコシステムの複雑さを扱うには不十分である。 本稿では、フェデレートラーニングの力を活用して、IoTネットワークのDDoS攻撃に対するセキュリティを強化する革新的な戦略を紹介する。
  論文  参考訳（メタデータ） (2024-03-16T16:45:28Z)
• 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)
• 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)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• 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。