論文の概要: Explainability-Aware Evaluation of Transfer Learning Models for IoT DDoS Detection Under Resource Constraints

• arxiv url: http://arxiv.org/abs/2602.22488v1
• Date: Wed, 25 Feb 2026 23:56:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-27 18:41:22.450659
• Title: Explainability-Aware Evaluation of Transfer Learning Models for IoT DDoS Detection Under Resource Constraints
• Title（参考訳）: 資源制約下におけるIoT DDoS検出のための伝達学習モデルの説明可能性を考慮した評価
• Authors: Nelly Elsayed,
• Abstract要約: 本研究では,IoT DDoS検出のための7つの事前学習型畳み込みニューラルネットワークアーキテクチャについて,説明可能性を考慮した実証評価を行った。 DenseNet169は最強の信頼性と解釈可能性アライメントを提供するが、MobileNetV3はフォグレベルのデプロイメントに効果的な遅延精度トレードオフを提供する。
• 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: Distributed denial-of-service (DDoS) attacks threaten the availability of Internet of Things (IoT) infrastructures, particularly under resource-constrained deployment conditions. Although transfer learning models have shown promising detection accuracy, their reliability, computational feasibility, and interpretability in operational environments remain insufficiently explored. This study presents an explainability-aware empirical evaluation of seven pre-trained convolutional neural network architectures for multi-class IoT DDoS detection using the CICDDoS2019 dataset and an image-based traffic representation. The analysis integrates performance metrics, reliability-oriented statistics (MCC, Youden Index, confidence intervals), latency and training cost assessment, and interpretability evaluation using Grad-CAM and SHAP. Results indicate that DenseNet and MobileNet-based architectures achieve strong detection performance while demonstrating superior reliability and compact, class-consistent attribution patterns. DenseNet169 offers the strongest reliability and interpretability alignment, whereas MobileNetV3 provides an effective latency-accuracy trade-off for fog-level deployment. The findings emphasize the importance of combining performance, reliability, and explainability criteria when selecting deep learning models for IoT DDoS detection.
• Abstract（参考訳）: 分散型サービス拒否(DDoS)攻撃は、特にリソース制限されたデプロイメント条件下で、IoT(Internet of Things)インフラストラクチャの可用性を脅かす。 伝達学習モデルでは検出精度が期待できるが、その信頼性、計算可能性、運用環境における解釈性はまだ不十分である。 本研究では,CICDDoS2019データセットと画像に基づくトラフィック表現を用いたマルチクラスIoT DDoS検出のための,事前訓練済みの畳み込みニューラルネットワークアーキテクチャについて,説明可能性を考慮した実証評価を行った。 この分析は、パフォーマンス指標、信頼性指向統計(MCC、Youden Index、信頼区間)、レイテンシとトレーニングコストの評価、Grad-CAMとSHAPを用いた解釈可能性評価を統合する。 DenseNetとMobileNetをベースとしたアーキテクチャは、信頼性とコンパクトなクラス一貫性の属性パターンを示しながら、強力な検出性能を実現する。 DenseNet169は最強の信頼性と解釈可能性アライメントを提供するが、MobileNetV3はフォグレベルのデプロイメントに効果的な遅延精度トレードオフを提供する。 この発見は、IoT DDoS検出のためのディープラーニングモデルを選択する際に、パフォーマンス、信頼性、説明可能性の基準を組み合わせることの重要性を強調している。

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)
• Interpretable Hybrid Deep Q-Learning Framework for IoT-Based Food Spoilage Prediction with Synthetic Data Generation and Hardware Validation [0.5417521241272645]
  インテリジェントでリアルタイムな腐敗予測システムの必要性は、現代のIoT駆動食品サプライチェーンにおいて重要になっている。 本稿では,Long Short-Term Memory(LSTM)とRecurrent Neural Networks(RNN)を統合したハイブリッド強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-22T12:59:48Z)
• REAL-IoT: Characterizing GNN Intrusion Detection Robustness under Practical Adversarial Attack [5.881825061973424]
  グラフニューラルネットワーク(GNN)ベースのネットワーク侵入検知システム(NIDS)は、単一のデータセットでしばしば評価される。 我々は,IoT環境におけるGNNベースのNIDSの堅牢性評価のための総合的なフレームワークである textbfREAL-IoT を提案する。
  論文  参考訳（メタデータ） (2025-07-14T22:10:08Z)
• Toward Realistic Adversarial Attacks in IDS: A Novel Feasibility Metric for Transferability [0.0]
  転送可能性に基づく敵攻撃は、特定のソース侵入検知システム(IDS)モデルを騙すために、敵の例を活用できる。 これらの攻撃は、セキュリティ対策や妥協システムを回避するために、機械学習モデルの一般的な脆弱性を利用する。 本稿では,機能アライメント,モデルアーキテクチャの類似性,および各IDSが検査するデータ分布の重複など,伝達可能性に寄与する要因について分析する。
  論文  参考訳（メタデータ） (2025-04-11T12:15:03Z)
• Quantifying Robustness: A Benchmarking Framework for Deep Learning Forecasting in Cyber-Physical Systems [44.61435605872856]
  我々は,産業用CPSに合わせて,分散ロバスト性に基づく実用的ロバスト性定義を導入する。 本フレームワークは,センサドリフト,ノイズ,不規則サンプリングなどの現実的な乱れをシミュレートし,予測モデルの徹底的なロバスト性解析を可能にする。
  論文  参考訳（メタデータ） (2025-04-04T14:50:48Z)
• A Comparative Analysis of Machine Learning Models for DDoS Detection in IoT Networks [0.0]
  通常のネットワークトラフィックからのDDoS攻撃の検出において、XGBoostのようなさまざまな機械学習モデルの有効性を評価する。 これらのモデルの有効性は分析され、機械学習がIoTセキュリティフレームワークを大幅に強化する方法が示されている。
  論文  参考訳（メタデータ） (2024-11-08T12:23:41Z)
• 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)
• Interpretable Self-Aware Neural Networks for Robust Trajectory Prediction [50.79827516897913]
  本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。 実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-11-16T06:28:20Z)
• Understanding Robust Learning through the Lens of Representation Similarities [37.66877172364004]
  ディープニューラルネットワーク(DNN)の望ましい性質として、敵の例に対するロバストさが出現した 本稿では,頑健な学習によって学習される表現の性質が,標準的非破壊的学習から得られた表現とどのように異なるかを理解することを目的とする。
  論文  参考訳（メタデータ） (2022-06-20T16:06:20Z)

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。