論文の概要: Latent Diffusion for Internet of Things Attack Data Generation in Intrusion Detection

• arxiv url: http://arxiv.org/abs/2601.16976v1
• Date: Fri, 23 Jan 2026 18:55:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.809741
• Title: Latent Diffusion for Internet of Things Attack Data Generation in Intrusion Detection
• Title（参考訳）: 侵入検知におけるIoT攻撃データ生成のための潜時拡散
• Authors: Estela Sánchez-Carballo, Francisco M. Melgarejo-Meseguer, José Luis Rojo-Álvarez,
• Abstract要約: 侵入検知システム(IDS)はIoT(Internet of Things)環境を保護するための重要なコンポーネントである。 機械学習ベースの(MLベースの)IDSでは、良性とアタックトラフィックの強いクラス不均衡によって、パフォーマンスが劣化することが多い。 我々は,IoT侵入検出における攻撃データ増大に対するLDM(Latent Diffusion Model)の利用を提案する。
• 参考スコア（独自算出の注目度）: 2.2758077237273837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intrusion Detection Systems (IDSs) are a key component for protecting Internet of Things (IoT) environments. However, in Machine Learning-based (ML-based) IDSs, performance is often degraded by the strong class imbalance between benign and attack traffic. Although data augmentation has been widely explored to mitigate this issue, existing approaches typically rely on simple oversampling techniques or generative models that struggle to simultaneously achieve high sample fidelity, diversity, and computational efficiency. To address these limitations, we propose the use of a Latent Diffusion Model (LDM) for attack data augmentation in IoT intrusion detection and provide a comprehensive comparison against state-of-the-art baselines. Experiments were conducted on three representative IoT attack types, specifically Distributed Denial-of-Service (DDoS), Mirai, and Man-in-the-Middle, evaluating both downstream IDS performance and intrinsic generative quality using distributional, dependency-based, and diversity metrics. Results show that balancing the training data with LDM-generated samples substantially improves IDS performance, achieving F1-scores of up to 0.99 for DDoS and Mirai attacks and consistently outperforming competing methods. Additionally, quantitative and qualitative analyses demonstrate that LDMs effectively preserve feature dependencies while generating diverse samples and reduce sampling time by approximately 25\% compared to diffusion models operating directly in data space. These findings highlight latent diffusion as an effective and scalable solution for synthetic IoT attack data generation, substantially mitigating the impact of class imbalance in ML-based IDSs for IoT scenarios.
• Abstract（参考訳）: 侵入検知システム(IDS)はIoT(Internet of Things)環境を保護するための重要なコンポーネントである。 しかしながら、機械学習ベースの(MLベースの)IDSでは、良性とアタックトラフィックの強いクラス不均衡によって、パフォーマンスが劣化することが多い。 データ拡張はこの問題を緩和するために広く研究されてきたが、既存のアプローチは通常、サンプルの忠実度、多様性、計算効率を同時に達成するのに苦労する単純なオーバーサンプリング技術や生成モデルに依存している。 これらの制約に対処するため,IoT侵入検出における攻撃データ拡張にLDM(Latent Diffusion Model)を用いることを提案し,最先端のベースラインに対する包括的な比較を行う。 実験は、特にDistributed Denial-of-Service(DDoS)、Mirai、Man-in-the-Middleの3つの代表的なIoT攻撃タイプで実施された。 その結果、トレーニングデータとLCM生成サンプルのバランスは、IDSの性能を大幅に向上させ、DDoSおよびMirai攻撃で最大0.99のF1スコアを達成し、競合する手法を一貫して上回ることを示す。 さらに, 定量的および定性的分析により, LDMはデータ空間内で直接動作する拡散モデルと比較して, 多様なサンプルを生成し, サンプリング時間を約25%削減し, 特性依存性を効果的に保存することを示した。 これらの知見は、機械学習ベースのIoTシナリオにおけるクラス不均衡の影響を著しく軽減する、合成IoTアタックデータ生成の効率的でスケーラブルなソリューションとして、潜伏拡散を強調している。

関連論文リスト

• Packet-Level DDoS Data Augmentation Using Dual-Stream Temporal-Field Diffusion [2.8498570090658726]
  DDoS(Distributed Denial of Service)攻撃に対して、最近の研究は機械学習(ML)ベースのソリューションにますます依存している。 現在の合成トレース生成法は、現生のDDoS攻撃で現れる複雑な時間パターンと空間分布を捉えるのに苦労している。 拡散モデルに基づく多視点マルチストリームネットワークトラフィック生成モデルであるDual-Stream Temporal-Field Diffusion (DSTF-Diffusion)を提案する。
  論文  参考訳（メタデータ） (2025-07-27T03:40:56Z)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• 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)
• Model Stealing Attack against Graph Classification with Authenticity, Uncertainty and Diversity [80.16488817177182]
  GNNは、クエリ許可を通じてターゲットモデルを複製するための悪行であるモデル盗難攻撃に対して脆弱である。 異なるシナリオに対応するために,3つのモデルステルス攻撃を導入する。
  論文  参考訳（メタデータ） (2023-12-18T05:42:31Z)
• 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)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。