論文の概要: Benchmarking Machine Learning Models for IoT Malware Detection under Data Scarcity and Drift
- arxiv url: http://arxiv.org/abs/2601.18736v1
- Date: Mon, 26 Jan 2026 17:59:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-27 15:23:08.997601
- Title: Benchmarking Machine Learning Models for IoT Malware Detection under Data Scarcity and Drift
- Title（参考訳）: データスカシティとドリフトによるIoTマルウェア検出のための機械学習モデルのベンチマーク
- Authors: Jake Lyon, Ehsan Saeedizade, Shamik Sengupta,
- Abstract要約: Internet of Things(IoT)デバイスは、サイバー攻撃やマルウェアアプリケーションの主要なターゲットである。
機械学習(ML)は、自動マルウェア検出と分類に対する有望なアプローチを提供する。
本研究では,マルウェア検出・分類における4つの教師付き学習モデルの有効性について検討した。
- 参考スコア（独自算出の注目度）: 0.5735035463793007
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid expansion of the Internet of Things (IoT) in domains such as smart cities, transportation, and industrial systems has heightened the urgency of addressing their security vulnerabilities. IoT devices often operate under limited computational resources, lack robust physical safeguards, and are deployed in heterogeneous and dynamic networks, making them prime targets for cyberattacks and malware applications. Machine learning (ML) offers a promising approach to automated malware detection and classification, but practical deployment requires models that are both effective and lightweight. The goal of this study is to investigate the effectiveness of four supervised learning models (Random Forest, LightGBM, Logistic Regression, and a Multi-Layer Perceptron) for malware detection and classification using the IoT-23 dataset. We evaluate model performance in both binary and multiclass classification tasks, assess sensitivity to training data volume, and analyze temporal robustness to simulate deployment in evolving threat landscapes. Our results show that tree-based models achieve high accuracy and generalization, even with limited training data, while performance deteriorates over time as malware diversity increases. These findings underscore the importance of adaptive, resource-efficient ML models for securing IoT systems in real-world environments.
- Abstract（参考訳）: スマートシティや交通、産業システムといったドメインにおけるIoT(Internet of Things)の急速な拡張により、セキュリティ上の脆弱性に対処する緊急性が高まっている。
IoTデバイスは、限られた計算リソースの下で運用され、堅牢な物理的保護が欠如しており、異種ネットワークや動的ネットワークにデプロイされているため、サイバー攻撃やマルウェアアプリケーションの主要なターゲットとなっている。
機械学習(ML)は自動マルウェア検出と分類に有望なアプローチを提供するが、現実的なデプロイメントには効率的かつ軽量なモデルが必要である。
本研究の目的は,IoT-23データセットを用いてマルウェアの検出と分類を行う4つの教師付き学習モデル(Random Forest, LightGBM, Logistic Regression, Multi-Layer Perceptron)の有効性を検討することである。
本研究では,2段階・複数階層の分類作業におけるモデル性能の評価,トレーニングデータ量に対する感度評価,時間的ロバスト性を解析して,進化する脅威景観への展開をシミュレートする。
この結果から, 学習データに制限がある場合でも, 木モデルによる精度と一般化が得られ, マルウェアの多様性が増大するにつれて, 性能が劣化することがわかった。
これらの知見は、実環境におけるIoTシステムを保護するための適応的でリソース効率のよいMLモデルの重要性を浮き彫りにしている。
関連論文リスト
- Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - Out-of-Distribution Detection for Continual Learning: Design Principles and Benchmarking [44.75780122845172]
近年、幅広い分野にわたる機械学習モデルの開発が著しい進展を見せている。
これらのモデルは、常に変化する現実世界のシナリオにデプロイされるため、時間とともに信頼性と適応性を維持する能力はますます重要になる。
論文 参考訳（メタデータ） (2025-12-16T22:50:01Z) - 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) - Constrained Network Adversarial Attacks: Validity, Robustness, and Transferability [0.0]
研究は、既存の敵攻撃手法の重大な欠陥を明らかにしている。
ドメイン固有の制約の頻繁な違反は、IoTやネットワークトラフィックに固有のもので、最大80.3%の敵のサンプルが無効になることを示している。
この研究は、セキュリティクリティカルなIoTおよびネットワークアプリケーションのための堅牢なML/DLモデルの評価と設計において、ドメイン制約とモデルアーキテクチャの両方を考慮することの重要性を強調している。
論文 参考訳（メタデータ） (2025-05-02T15:01:42Z) - Enhancing IoT-Botnet Detection using Variational Auto-encoder and Cost-Sensitive Learning: A Deep Learning Approach for Imbalanced Datasets [0.0]
本研究では,可変オートエンコーダ(VAE)とコスト感受性学習を活用して,IoTボットネット検出モデルを開発した。
目的は、機械学習モデルでしばしば見逃されるマイノリティクラス攻撃トラフィックインスタンスの検出を強化することである。
論文 参考訳（メタデータ） (2025-04-26T02:04:30Z) - MULTI-LF: A Unified Continuous Learning Framework for Real-Time DDoS Detection in Multi-Environment Networks [1.5922526181364094]
既存のAIベースの検出システムは、新たな攻撃戦略に適応し、リアルタイムの攻撃検出機能を欠いている。
本研究では,M-EnネットワークにおけるDDoS検出のためのオンライン連続学習手法を提案する。
論文 参考訳（メタデータ） (2025-04-15T19:44:53Z) - AutoML for Multi-Class Anomaly Compensation of Sensor Drift [44.63945828405864]
センサドリフトは、時間とともに機械学習モデルのパフォーマンスを低下させる。
標準クロスバリデーション法はドリフトの不適切な会計によって性能を過大評価する。
本稿では,(1)モデル検証のための新しいセンサドリフト補償学習パラダイム,(2)分類性能の向上とセンサドリフト補償のための自動機械学習(AutoML)技術を提案する。
論文 参考訳（メタデータ） (2025-02-26T14:34:53Z) - Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。
Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。
軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文 参考訳（メタデータ） (2024-06-04T20:36:21Z) - Leveraging LSTM and GAN for Modern Malware Detection [0.4799822253865054]
本稿では,マルウェア検出精度と速度を向上するために,ディープラーニングモデル,LSTMネットワーク,GAN分類器の利用を提案する。
研究結果は98%の精度で行われ、ディープラーニングの効率が積極的なサイバーセキュリティ防衛において決定的な役割を担っていることを示している。
論文 参考訳（メタデータ） (2024-05-07T14:57:24Z) - Optimization of Lightweight Malware Detection Models For AIoT Devices [2.4947404267499587]
マルウェア侵入はInternet of Things(IoT)とArtificial Intelligence of Things(AIoT)デバイスの問題である。
本研究の目的は、提案するスーパーラーナーメタ学習アンサンブルモデルを最適化して、ローエンドのAIoTデバイスで実現できるようにすることである。
論文 参考訳（メタデータ） (2024-04-06T09:30:38Z) - 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)
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。