論文の概要: Backdoor Attacks on Contrastive Continual Learning for IoT Systems
- arxiv url: http://arxiv.org/abs/2602.13062v1
- Date: Fri, 13 Feb 2026 16:17:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-02-16 23:37:54.029514
- Title: Backdoor Attacks on Contrastive Continual Learning for IoT Systems
- Title（参考訳）: IoTシステムのためのコントラスト継続的学習に関するバックドアアタック
- Authors: Alfous Tim, Kuniyilh Simi D,
- Abstract要約: モノのインターネット(IoT)システムは、非定常環境に適応するための継続的な学習にますます依存している。
コントラスト的連続学習(Contrastive Continuousal Learning, CCL)は、コントラスト的表現学習と漸進的適応を組み合わせ、ロバストな特徴再利用を可能にする。
バックドア攻撃は、埋め込みアライメントとリプレイ強化を利用して、永続的な悪意のある振る舞いを埋め込むことができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Internet of Things (IoT) systems increasingly depend on continual learning to adapt to non-stationary environments. These environments can include factors such as sensor drift, changing user behavior, device aging, and adversarial dynamics. Contrastive continual learning (CCL) combines contrastive representation learning with incremental adaptation, enabling robust feature reuse across tasks and domains. However, the geometric nature of contrastive objectives, when paired with replay-based rehearsal and stability-preserving regularization, introduces new security vulnerabilities. Notably, backdoor attacks can exploit embedding alignment and replay reinforcement, enabling the implantation of persistent malicious behaviors that endure through updates and deployment cycles. This paper provides a comprehensive analysis of backdoor attacks on CCL within IoT systems. We formalize the objectives of embedding-level attacks, examine persistence mechanisms unique to IoT deployments, and develop a layered taxonomy tailored to IoT. Additionally, we compare vulnerabilities across various learning paradigms and evaluate defense strategies under IoT constraints, including limited memory, edge computing, and federated aggregation. Our findings indicate that while CCL is effective for enhancing adaptive IoT intelligence, it may also elevate long-lived representation-level threats if not adequately secured.
- Abstract（参考訳）: IoT(Internet of Things)システムは、非定常環境に適応するための継続的学習にますます依存している。
これらの環境には、センサーのドリフト、ユーザの振る舞いの変化、デバイスの老化、敵のダイナミクスなどが含まれる。
コントラスト的連続学習(Contrastive Continuousal Learning, CCL)は、コントラスト的表現学習と漸進的適応を組み合わせることで、タスクやドメイン間の堅牢な機能の再利用を可能にする。
しかし、リプレイベースのリハーサルと安定性を保った正規化と組み合わせることで、対照的な目的の幾何学的性質が新たなセキュリティ脆弱性をもたらす。
特に、バックドア攻撃は埋め込みアライメントとリプレイ強化を活用でき、更新やデプロイメントサイクルを通じて永続的な悪意のある振る舞いを埋め込むことができる。
本稿では,IoTシステム内のCCLに対するバックドア攻撃を包括的に分析する。
我々は、組み込みレベルの攻撃の目的を定式化し、IoTデプロイメント特有の永続化メカニズムを調べ、IoTに適した階層化された分類法を開発する。
さらに、さまざまな学習パラダイムの脆弱性を比較し、メモリ制限やエッジコンピューティング、フェデレーションアグリゲーションなど、IoT制約下での防御戦略を評価します。
以上の結果から,CCLは適応型IoTインテリジェンス向上に有効であるが,適切な確保が得られなければ,長期にわたる表現レベルの脅威も増大する可能性が示唆された。
関連論文リスト
- Contrastive Continual Learning for Model Adaptability in Internet of Things [0.0]
IoT(Internet of Things)デプロイメントは、センサドリフトなどの要因がアプリケーションユーティリティに影響を与えるような、非定常な動的環境で動作する。
連続学習(CL)は、破滅的な忘れをせずにモデルに時間をかけて適応することでこの問題に対処する。
コントラスト学習は、自己管理的な方法で堅牢性とサンプル効率を改善する強力な表現学習パラダイムとして登場した。
論文 参考訳（メタデータ） (2026-02-04T18:59:14Z) - 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) - Adversarial Attack-Defense Co-Evolution for LLM Safety Alignment via Tree-Group Dual-Aware Search and Optimization [51.12422886183246]
大規模言語モデル(LLM)は、Webサービスにおいて急速に発展し、社会的リスクを増幅しつつ、前例のない能力を提供してきた。
既存の作業は、分離されたジェイルブレイク攻撃または静的防御に重点を置いており、現実世界のWebコンテキストにおける進化する脅威とセーフガードの間の動的な相互作用を無視している。
ACE-Safetyは、2つの重要な革新的手順をシームレスに統合することにより、攻撃と防御モデルを協調的に最適化する新しいフレームワークである。
論文 参考訳（メタデータ） (2025-11-24T15:23:41Z) - Adaptive Intrusion Detection for Evolving RPL IoT Attacks Using Incremental Learning [0.13999481573773068]
RPLネットワークにおける侵入検知のための実践的かつ適応的な手法としてインクリメンタルラーニングを検討する。
我々の分析では、漸進的な学習が新たな攻撃クラスの検出性能を回復し、以前に学習した脅威の破滅的な忘れを緩和することを強調している。
論文 参考訳（メタデータ） (2025-11-14T16:35:48Z) - CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection [9.92596575679496]
IoT(Internet of Things)は、幅広いサイバー脅威に対して脆弱である。
侵入検知システム(IDS)はIoTセキュリティを強化するために広く研究されている。
我々は、良性データから堅牢な表現を抽出する自己教師付き連続学習フレームワークCITADELを提案する。
論文 参考訳（メタデータ） (2025-08-26T21:55:26Z) - Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review [0.0]
IoT(Internet of Things)は、前例のない一連のデバイスを相互接続することで、デジタルランドスケープを大幅に拡大した。
従来の侵入検知システム(IDS)は、IoTネットワークの動的で進化する性質と脅威パターンに対応するのに苦労している。
この体系的なレビューでは、IoT設定におけるIDSを強化するために、Deep Reinforcement Learning(DRL)の適用について検討する。
論文 参考訳（メタデータ） (2025-04-20T00:55:58Z) - Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends [20.469263896950437]
我々は,CyberEdgeネットワークにおけるレジリエント・フェデレート・ラーニング(ResFL)の最新技術について検討する。
我々は,集約的推論と機能指向型セキュリティ機構を用いた共同トレーニングに重点を置いている。
これらの進歩は、超低レイテンシ、人工知能(AI)駆動のネットワーク管理、敵攻撃に対するレジリエンスの改善を提供する。
論文 参考訳（メタデータ） (2025-04-01T23:06:45Z) - 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) - Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。
我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
論文 参考訳（メタデータ） (2021-06-21T21:42:08Z) - Adversarial vs behavioural-based defensive AI with joint, continual and
active learning: automated evaluation of robustness to deception, poisoning
and concept drift [62.997667081978825]
人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。
本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
論文 参考訳（メタデータ） (2020-01-13T13:54:36Z)
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。