論文の概要: Quantifying Catastrophic Forgetting in IoT Intrusion Detection Systems
- arxiv url: http://arxiv.org/abs/2603.00363v1
- Date: Fri, 27 Feb 2026 23:00:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.158046
- Title: Quantifying Catastrophic Forgetting in IoT Intrusion Detection Systems
- Title（参考訳）: IoT侵入検知システムにおける破滅的予測の定量化
- Authors: Sourasekhar Banerjee, David Bergqvist, Salman Toor, Christian Rohner, Andreas Johnsson,
- Abstract要約: RPLベースのIoTネットワークにおける攻撃パターンの分散シフトは、大規模接続システムの信頼性とセキュリティに重大な脅威をもたらす。
静的データセットでトレーニングされた侵入検知システム(IDS)は、しばしば目に見えない脅威に対して一般化に失敗する。
本稿では,多種多様な連続学習戦略を統合する手法に依存しないIDSフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.7297586889191063
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Distribution shifts in attack patterns within RPL-based IoT networks pose a critical threat to the reliability and security of large-scale connected systems. Intrusion Detection Systems (IDS) trained on static datasets often fail to generalize to unseen threats and suffer from catastrophic forgetting when updated with new attacks. Ensuring continual adaptability of IDS is therefore essential for maintaining robust IoT network defence. In this focused study, we formulate intrusion detection as a domain continual learning problem and propose a method-agnostic IDS framework that can integrate diverse continual learning strategies. We systematically benchmark five representative approaches across multiple domain-ordering sequences using a comprehensive multi-attack dataset comprising 48 domains. Results show that continual learning mitigates catastrophic forgetting while maintaining a balance between plasticity, stability, and efficiency, a crucial aspect for resource-constrained IoT environments. Among the methods, Replay-based approaches achieve the best overall performance, while Synaptic Intelligence (SI) delivers near-zero forgetting with high training efficiency, demonstrating strong potential for stable and sustainable IDS deployment in dynamic IoT networks.
- Abstract（参考訳）: RPLベースのIoTネットワークにおける攻撃パターンの分散シフトは、大規模接続システムの信頼性とセキュリティに重大な脅威をもたらす。
静的データセットでトレーニングされた侵入検知システム(IDS)は、目に見えない脅威への一般化に失敗し、新しい攻撃で更新された時に破滅的な忘れを被ることが多い。
したがって、堅牢なIoTネットワーク防御を維持するためには、IDSの継続的な適応性を保証することが不可欠である。
本研究では,ドメイン連続学習問題として侵入検出を定式化し,多種多様な連続学習戦略を統合する手法に依存しないIDSフレームワークを提案する。
我々は,48ドメインからなる包括的マルチアタックデータセットを用いて,複数のドメイン順序列にまたがる5つの代表的なアプローチを体系的にベンチマークした。
その結果、連続学習は、資源に制約されたIoT環境にとって重要な側面である、可塑性、安定性、効率のバランスを維持しながら、破滅的な忘れを緩和することを示した。
一方、Synaptic Intelligence(SI)は、トレーニング効率の高いほぼゼロに近いリセットを提供し、動的IoTネットワークにおける安定した持続可能なIDSデプロイメントの強い可能性を示している。
関連論文リスト
- Backdoor Attacks on Contrastive Continual Learning for IoT Systems [0.0]
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。
論文 参考訳（メタデータ） (2026-02-13T16:17:25Z) - 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) - Adaptive Intrusion Detection System Leveraging Dynamic Neural Models with Adversarial Learning for 5G/6G Networks [2.062593640149623]
本稿では,5G/6Gネットワークにおける対向学習と動的ニューラルネットワークを活用した高度なIDSフレームワークを提案する。
知識を更新するために高価なリトレーニングを必要とする従来のモデルとは異なり、提案フレームワークはインクリメンタルラーニングアルゴリズムを統合し、頻繁なリトレーニングの必要性を減らす。
論文 参考訳（メタデータ） (2025-12-11T13:40:37Z) - 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) - Network Sparsity Unlocks the Scaling Potential of Deep Reinforcement Learning [57.3885832382455]
静的ネットワークの疎結合を単独で導入することで,最先端アーキテクチャの高密度化を超えて,さらなるスケーリング可能性を実現することができることを示す。
解析の結果,高密度DRLネットワークをネーティブにスケールアップするのとは対照的に,疎ネットワークは高いパラメータ効率とネットワーク表現性を両立させることがわかった。
論文 参考訳（メタデータ） (2025-06-20T17:54:24Z) - Expert-in-the-Loop Systems with Cross-Domain and In-Domain Few-Shot Learning for Software Vulnerability Detection [38.083049237330826]
本研究では,CWE(Common Weaknessions)を用いたPythonコードの識別をシミュレーションすることにより,ソフトウェア脆弱性評価におけるLLM(Large Language Models)の利用について検討する。
その結果,ゼロショットプロンプトは性能が低いが,少数ショットプロンプトは分類性能を著しく向上させることがわかった。
モデル信頼性、解釈可能性、敵の堅牢性といった課題は、将来の研究にとって重要な領域のままである。
論文 参考訳（メタデータ） (2025-06-11T18:43:51Z) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - 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) - Redefining DDoS Attack Detection Using A Dual-Space Prototypical Network-Based Approach [38.38311259444761]
我々は、DDoS攻撃を検出するための新しいディープラーニングベースの技術を導入する。
本稿では,一意な双対空間損失関数を利用する新しい双対空間原型ネットワークを提案する。
このアプローチは、潜在空間における表現学習の強みを生かしている。
論文 参考訳（メタデータ） (2024-06-04T03:22:52Z) - 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) - Dependable Intrusion Detection System for IoT: A Deep Transfer
Learning-based Approach [0.0]
本論文は,いくつかの既存手法より優れた深層移動学習型信頼型IDSモデルを提案する。
これは、少量のラベル付きデータに対して、通常のシナリオとアタックシナリオを特定するのに最も適している、効果的な属性選択を含んでいる。
また、信頼性の高い深層移動学習ベースのResNetモデルや、実世界のデータを考慮した評価も含んでいる。
論文 参考訳（メタデータ） (2022-04-11T02:46:22Z)
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。