論文の概要: Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning

• arxiv url: http://arxiv.org/abs/2604.06101v1
• Date: Tue, 07 Apr 2026 17:14:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.959105
• Title: Towards Securing IIoT: An Innovative Privacy-Preserving Anomaly Detector Based on Federated Learning
• Title（参考訳）: IIoTのセキュリティに向けて - フェデレートラーニングに基づくイノベーティブなプライバシ保護型異常検出器
• Authors: Samira Kamali Poorazad, Chafika Benzaïd, Tarik Taleb,
• Abstract要約: 本研究では,新しいフェデレートラーニング(FL)フレームワークに基づく異常検出システムを提案する。 サイバー攻撃などの異常を検出し、データをローカルに処理することで産業データプライバシを保護し、生データを共有せずに産業エージェントに対して異常検出モデルを訓練する。 提案手法は, 精度, 精度, F1スコア, 通信コスト, 収束速度, 公正度率の観点から, ベースラインアプローチよりも優れた性能を示す。
• 参考スコア（独自算出の注目度）: 13.0216256013144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the light of the growing connectivity and sensitivity of industrial data, cyberattacks and data breaches are becoming more common in the Industrial Internet of Things (IIoT). To cope with such threats, this study presents an anomaly detection system based on a novel Federated Learning (FL) framework. This system detects anomalies such as cyberattacks and protects industrial data privacy by processing data locally and training anomaly detection models on industrial agents without sharing raw data. The proposed FL framework incorporates two key components to enhance both privacy and efficiency. The first component is Homomorphic Encryption (HE), which is integrated into the framework to further protect sensitive data transmissions such as model parameters. HE enhances privacy in FL by preventing adversaries from inferring private industrial data through attacks, such as model inversion attacks. The second component is an innovative dynamic agent selection scheme, wherein a selection threshold is calculated based on agent delays and data size. The purpose of this new scheme is to mitigate the straggler effect and the communication bottleneck that occur in traditional FL architectures, such as synchronous and asynchronous architectures. It ensures that agents are not unfairly selected by the different delays resulting from heterogeneous data in IIoT environments, while simultaneously improving model performance and convergence speed. The proposed framework exhibits superior performance over baseline approaches in terms of accuracy, precision, F1-scores, communication costs, convergence speeds, and fairness rate.
• Abstract（参考訳）: 産業データのコネクティビティと感度の増大を背景に、IIoT(Industrial Internet of Things)では、サイバー攻撃とデータ漏洩が一般的になっている。 このような脅威に対処するため,本研究では,新しいフェデレートラーニング(FL)フレームワークに基づく異常検出システムを提案する。 本システムは、サイバー攻撃などの異常を検出し、データをローカルに処理し、生データを共有せずに産業エージェントに異常検出モデルを訓練することにより、産業データプライバシを保護する。 提案するFLフレームワークには,プライバシと効率性の両面で重要な2つのコンポーネントが組み込まれている。 第1のコンポーネントはホモモルフィック暗号化(HE)であり、モデルパラメータなどの機密データ送信をさらに保護するためにフレームワークに統合される。 HEはFLのプライバシーを強化し、モデル反転攻撃のような攻撃を通じて、敵が民間の産業データを推測することを防ぐ。 第2のコンポーネントは、エージェント遅延とデータサイズに基づいて選択しきい値を算出する革新的な動的エージェント選択方式である。 この新たなスキームの目的は、同期アーキテクチャや非同期アーキテクチャのような従来のFLアーキテクチャで発生するストラグラー効果と通信ボトルネックを軽減することである。 IIoT環境での不均一なデータから生じる遅延によってエージェントが不公平に選択されることが保証され、同時にモデル性能と収束速度が向上する。 提案手法は, 精度, 精度, F1スコア, 通信コスト, 収束速度, 公正度率の観点から, ベースラインアプローチよりも優れた性能を示す。

関連論文リスト

• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Stragglers Can Contribute More: Uncertainty-Aware Distillation for Asynchronous Federated Learning [61.249748418757946]
  Asynchronous Federated Learning (FL)は、その効率性とスケーラビリティの向上に注目されている。 我々は,不確実性を考慮した蒸留を組み込んだ新しいフレームワークであるFedEchoを提案し,非同期FL性能を向上する。 FedEchoが既存の非同期フェデレーション学習ベースラインを一貫して上回っていることを実証する。
  論文  参考訳（メタデータ） (2025-11-25T06:25:25Z)
• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT [0.0]
  産業用IoT(Industrial Internet of Things, IIoT)システムはスマートマニュファクチャリングに不可欠なものになっています。 従来の侵入検知システム(IDS)は、データプライバシやレイテンシ、単一障害点に対する懸念を高める集中型アーキテクチャに依存することが多い。 我々は、IIoT環境に適したプライバシー保護侵入検知のための新しいFederated Learning-Enhanced Framework(FL-BCID)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:11:44Z)
• A Novel Buffered Federated Learning Framework for Privacy-Driven Anomaly Detection in IIoT [11.127334284392676]
  異種IIoT環境における異常検出のための同相暗号を利用したバッファリングFL(BFL)フレームワークを提案する。 BFLは、トラグラー効果と通信ボトルネックの両方を軽減するために、新しい重み付き平均時間アプローチを利用する。 その結果, 最先端FL法と比較してBFLの方が優れ, 精度と収束速度が向上した。
  論文  参考訳（メタデータ） (2024-08-16T13:01:59Z)
• PS-FedGAN: An Efficient Federated Learning Framework Based on Partially Shared Generative Adversarial Networks For Data Privacy [56.347786940414935]
  分散計算のための効果的な学習パラダイムとして、フェデレートラーニング(FL)が登場した。 本研究は,部分的なGANモデル共有のみを必要とする新しいFLフレームワークを提案する。 PS-FedGANと名付けられたこの新しいフレームワークは、異種データ分散に対処するためのGANリリースおよびトレーニングメカニズムを強化する。
  論文  参考訳（メタデータ） (2023-05-19T05:39:40Z)
• FeDiSa: A Semi-asynchronous Federated Learning Framework for Power System Fault and Cyberattack Discrimination [1.0621485365427565]
  本稿では,電力系統故障とサイバーアタック識別のための半非同期フェデレーション学習フレームワークFeDiSaを提案する。 産業用制御システムデータセットを用いた提案フレームワークの実験により,データ機密性を維持しつつ,通信遅延やストラグラーの悪影響を最小限に抑えながら,攻撃検出精度が向上した。
  論文  参考訳（メタデータ） (2023-03-28T13:34:38Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Robust Semi-supervised Federated Learning for Images Automatic Recognition in Internet of Drones [57.468730437381076]
  プライバシー保護型UAV画像認識のための半教師付きフェデレートラーニング(SSFL)フレームワークを提案する。 異なるカメラモジュールを使用したUAVによって収集されたローカルデータの数、特徴、分布には大きな違いがある。 本稿では,クライアントがトレーニングに参加する頻度,すなわちFedFreqアグリゲーションルールに基づくアグリゲーションルールを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:49:33Z)
• Towards Communication-efficient and Attack-Resistant Federated Edge Learning for Industrial Internet of Things [40.20432511421245]
  federated edge learning(fel)は、産業用iot(internet of things)におけるエッジコンピューティングのためのグローバルなディープラーニングモデルを、エッジノードでトレーニング可能にする。 FELは、通信オーバーヘッドとデータプライバシの2つの重要な課題に直面している。 IIoTにおけるエッジコンピューティングのための通信効率とプライバシー強化型非同期FELフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-08T14:11:32Z)
• Deep Anomaly Detection for Time-series Data in Industrial IoT: A Communication-Efficient On-device Federated Learning Approach [40.992167455141946]
  本稿では,IIoTにおける時系列データ検出のための,新しい通信効率の高いデバイス上でのフェデレーション学習(FL)に基づく深層異常検出フレームワークを提案する。 まず、分散エッジデバイスが協調して異常検出モデルを訓練し、その一般化能力を向上させるためのFLフレームワークを導入する。 次に,アテンションメカニズムに基づく畳み込みニューラルネットワーク-Long Short Term Memory (AMCNN-LSTM) モデルを提案し,異常を正確に検出する。 第三に,提案したフレームワークを産業異常検出のタイムラインに適用するために,トップテキスト選択に基づく勾配圧縮機構を提案する。
  論文  参考訳（メタデータ） (2020-07-19T16:47:26Z)

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。