論文の概要: Toward a Multi-Layer ML-Based Security Framework for Industrial IoT

• arxiv url: http://arxiv.org/abs/2603.24111v1
• Date: Wed, 25 Mar 2026 09:16:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.222391
• Title: Toward a Multi-Layer ML-Based Security Framework for Industrial IoT
• Title（参考訳）: 産業用IoTのためのマルチレイヤMLベースのセキュリティフレームワークを目指して
• Authors: Aymen Bouferroum, Valeria Loscri, Abderrahim Benslimane,
• Abstract要約: 我々は、IIoT環境のための軽量機械学習(ML)ベースのセキュリティフレームワークの開発を目的とした、博士論文の研究フレームワークとコントリビューションを紹介する。 まず、Tm-IIoT信頼モデルとHybrid IIoTアーキテクチャを基本ベースラインとして採用した上で、Trust Convergence Acceleration(TCA)アプローチを紹介します。 次に,セキュリティフレームワークの実装と拡張を目的とした,安価なオープンソースハードウェアに基づく実世界のデプロイメントアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 5.9556977806856155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Industrial Internet of Things (IIoT) introduces significant security challenges as resource-constrained devices become increasingly integrated into critical industrial processes. Existing security approaches typically address threats at a single network layer, often relying on expensive hardware and remaining confined to simulation environments. In this paper, we present the research framework and contributions of our doctoral thesis, which aims to develop a lightweight, Machine Learning (ML)-based security framework for IIoT environments. We first describe our adoption of the Tm-IIoT trust model and the Hybrid IIoT (H-IIoT) architecture as foundational baselines, then introduce the Trust Convergence Acceleration (TCA) approach, our primary contribution that integrates ML to predict and mitigate the impact of degraded network conditions on trust convergence, achieving up to a 28.6% reduction in convergence time while maintaining robustness against adversarial behaviors. We then propose a real-world deployment architecture based on affordable, open-source hardware, designed to implement and extend the security framework. Finally, we outline our ongoing research toward multi-layer attack detection, including physical-layer threat identification and considerations for robustness against adversarial ML attacks.
• Abstract（参考訳）: 産業用モノのインターネット(Industrial Internet of Things, IIoT)は、リソース制約されたデバイスが重要な産業プロセスに統合されるにつれて、重大なセキュリティ上の課題をもたらす。 既存のセキュリティアプローチは、通常、単一のネットワーク層における脅威に対処し、しばしば高価なハードウェアに依存し、シミュレーション環境に限られる。 本稿では、IIoT環境のための軽量機械学習(ML)ベースのセキュリティフレームワークの開発を目的とした、博士論文の研究フレームワークとコントリビューションについて述べる。 まず、Tm-IIoT信頼モデルとHybrid IIoT(Hybrid I IoT)アーキテクチャを基本ベースラインとして採用した上で、MLを統合して信頼性収束に対する劣化したネットワーク条件の影響を予測・緩和するTCA(Trust Convergence Acceleration)アプローチを導入し、対向行動に対する堅牢性を維持しながら、最大28.6%の収束時間を達成した。 次に,セキュリティフレームワークの実装と拡張を目的とした,安価なオープンソースハードウェアに基づく実世界のデプロイメントアーキテクチャを提案する。 最後に、物理層脅威識別や、敵ML攻撃に対する堅牢性の検討を含む、多層攻撃検出に向けた現在進行中の研究について概説する。

関連論文リスト

• Architecting Trust: A Framework for Secure IoT Systems Through Trusted Execution and Semantic Middleware [1.7277199466514768]
  IoT(Internet of Things)セキュリティの展望には、技術的および運用上の課題に対処可能なアーキテクチャソリューションが必要です。 本稿では,Trusted Execution Environments(TEE)とセマンティックおよびブロックチェーン技術を統合するための,IoTの包括的なセキュリティフレームワークを提案する。 アーキテクチャには、周辺レベルでのハードウェアルート信頼、ネットワークレベルでのゼロ信頼原則、アプリケーションレベルでのセマンティックセキュリティメカニズムが含まれる。
  論文  参考訳（メタデータ） (2026-02-11T11:48:41Z)
• 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)
• L2M-AID: Autonomous Cyber-Physical Defense by Fusing Semantic Reasoning of Large Language Models with Multi-Agent Reinforcement Learning (Preprint) [16.291320202524187]
  L2M-AIDは多エージェント強化学習を用いた自律型産業防衛のための新しいフレームワークである。 大規模言語モデル(LLM)によって駆動される協調エージェントのチームを編成し、適応的でレジリエンスなセキュリティを実現する。 その結果,L2M-AIDは従来のIDS,ディープラーニング異常検出器,単一エージェントRLベースラインよりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-10-08T17:46:39Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• ACRIC: Securing Legacy Communication Networks via Authenticated Cyclic Redundancy Integrity Check [98.34702864029796]
  安全クリティカルな業界における最近のセキュリティインシデントは、適切なメッセージ認証の欠如により、攻撃者が悪意のあるコマンドを注入したり、システムの振る舞いを変更することができることを明らかにした。 これらの欠点は、サイバーセキュリティを強化するために圧力をかける必要性を強調する新しい規制を引き起こしている。 我々は,レガシ産業通信をセキュアにするためのメッセージ認証ソリューションであるACRICを紹介する。
  論文  参考訳（メタデータ） (2024-11-21T18:26:05Z)
• SoK: The Security-Safety Continuum of Multimodal Foundation Models through Information Flow and Game-Theoretic Defenses [58.93030774141753]
  MFM(Multimodal foundation model)は、多種多様なデータモダリティを統合し、複雑で広範囲なタスクをサポートする。 本稿では,モデル行動とシステムレベルの相互作用の両方から生じる致命的な脅威を特定することで,MFMの文脈における安全性とセキュリティの概念を統一する。
  論文  参考訳（メタデータ） (2024-11-17T23:06:20Z)
• Fed-LSAE: Thwarting Poisoning Attacks against Federated Cyber Threat Detection System via Autoencoder-based Latent Space Inspection [0.0]
  サイバーセキュリティでは、センシティブなデータと文脈情報と高品質なラベル付けが重要な役割を果たす。 本稿では,潜在空間表現を利用したフェデレーション学習のための新しい頑健なアグリゲーション手法であるFed-LSAEについて検討する。 CIC-ToN-IoTおよびN-Ba IoTデータセットの実験結果から,最先端の毒殺攻撃に対する防御機構の実現可能性が確認された。
  論文  参考訳（メタデータ） (2023-09-20T04:14:48Z)

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。