論文の概要: Hybrid ResNet-1D-BiGRU with Multi-Head Attention for Cyberattack Detection in Industrial IoT Environments

• arxiv url: http://arxiv.org/abs/2604.06481v1
• Date: Tue, 07 Apr 2026 21:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.251248
• Title: Hybrid ResNet-1D-BiGRU with Multi-Head Attention for Cyberattack Detection in Industrial IoT Environments
• Title（参考訳）: 産業用IoT環境におけるマルチヘッド型ResNet-1D-BiGRU
• Authors: Afrah Gueriani, Hamza Kheddar, Ahmed Cherif Mazari,
• Abstract要約: 本研究では,産業用IoTシステムにおける侵入検出のためのハイブリッドディープラーニングモデルを提案する。 ResNet-1D、BiGRU、Multi-Head Attention(MHA)を組み合わせて、効果的な時空間特徴抽出と注目に基づく特徴重み付けを行う。 このモデルは98.71%の精度、0.0417%の損失、低い推論遅延(0.0001 sec/instance)を達成し、強力なリアルタイム能力を示した。
• 参考スコア（独自算出の注目度）: 1.1263731027301402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study introduces a hybrid deep learning model for intrusion detection in Industrial IoT (IIoT) systems, combining ResNet-1D, BiGRU, and Multi-Head Attention (MHA) for effective spatial-temporal feature extraction and attention-based feature weighting. To address class imbalance, SMOTE was applied during training on the EdgeHoTset dataset. The model achieved 98.71% accuracy, a loss of 0.0417%, and low inference latency (0.0001 sec /instance), demonstrating strong real-time capability. To assess generalizability, the model was also tested on the CICIoV2024 dataset, where it reached 99.99% accuracy and F1-score, with a loss of 0.0028, 0 % FPR, and 0.00014 sec/instance inference time. Across all metrics and datasets, the proposed model outperformed existing methods, confirming its robustness and effectiveness for real-time IoT intrusion detection.
• Abstract（参考訳）: 本研究では,ResNet-1D,BiGRU,Multi-Head Attention(MHA)を組み合わせた産業用IoT(IIoT)システムにおける侵入検出のためのハイブリッドディープラーニングモデルを提案する。 クラスの不均衡に対処するため、SMOTEはEdgeHoTsetデータセットのトレーニング中に適用された。 このモデルは98.71%の精度、0.0417%の損失、低い推論遅延(0.0001 sec/instance)を達成し、強力なリアルタイム能力を示した。 一般化性を評価するため、このモデルはCICIoV2024データセットでもテストされ、99.99%の精度とF1スコアに達し、0.0028、0%のFPR、0.00014 sec/instance推論時間を失った。 すべてのメトリクスとデータセットにおいて、提案されたモデルは既存の手法よりも優れており、リアルタイムIoT侵入検出の堅牢性と有効性を確認している。

関連論文リスト

• SE-Enhanced ViT and BiLSTM-Based Intrusion Detection for Secure IIoT and IoMT Environments [1.6135093772405138]
  本研究では,Squeeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory (SE ViT-BiLSTM) アーキテクチャに基づく高度な侵入検出フレームワークを提案する。 この設計では、Vision Transformerの従来のマルチヘッドアテンション機構をSqueeze-and-Excitation attentionに置き換え、BiLSTM層と統合して検出精度と計算効率を向上させる。 実験結果から,SE ViT-BiLSTMモデルは既存の手法よりも複数の指標で優れていることがわかった。
  論文  参考訳（メタデータ） (2026-04-06T20:48:50Z)
• Hybrid Feature Learning with Time Series Embeddings for Equipment Anomaly Prediction [0.0]
  本研究では,Granite TinyTimeMixerの64次元時系列埋め込みと28次元統計特性を統合するハイブリッド手法を提案する。 64の機器ユニットと51,564のサンプルを用いた実験では,30日間,60日間,90日間の地平線における異常予測のために,91-95%の精度と0.995のROC-AUCを達成した。
  論文  参考訳（メタデータ） (2026-02-16T15:00:15Z)
• CST-AFNet: A dual attention-based deep learning framework for intrusion detection in IoT networks [0.2180739748940442]
  本研究は、IoTネットワークにおけるロバストな侵入検知のための新しいデュアルアテンションベースのディープラーニングフレームワークであるCST AFNetを提案する。 提案モデルでは,15種類の攻撃タイプと良性トラフィックの両方において,優れた精度を実現する。 CST AFNetは、複雑なIoTおよびIIoT環境において、リアルタイムのサイバー脅威検出のための強力でスケーラブルなソリューションであることを確認した。
  論文  参考訳（メタデータ） (2025-10-03T04:36:19Z)
• Fast Information Streaming Handler (FisH): A Unified Seismic Neural Network for Single Station Real-Time Earthquake Early Warning [56.45067876391473]
  既存のEEWアプローチは、フェーズの選択、位置推定、大きさ推定を独立したタスクとして扱い、統一されたフレームワークを欠いている。 我々は高速情報ストリーミングハンドラー(FisH)と呼ばれる新しい統合型地震波ニューラルネットワークを提案する。 FisHは、リアルタイムストリーミング地震データを処理し、位相選択、位置推定、大きさ推定をエンドツーエンドで同時生成するように設計されている。
  論文  参考訳（メタデータ） (2024-08-13T04:33:23Z)
• Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection [0.0]
  本稿では,SAADと呼ばれる新しい異常検出手法を提案する。 SAADアプローチは、高度な統計技術と機械学習を統合し、その有効性は、自動車領域内のハードウェア・イン・ザ・ループ(HIL)環境からの実センサデータを検証することによって実証される。
  論文  参考訳（メタデータ） (2024-06-11T12:41:24Z)
• Enhancing IoT Security with CNN and LSTM-Based Intrusion Detection Systems [0.23408308015481666]
  提案モデルは,畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)ディープラーニング(DL)モデルを組み合わせて構成する。 この融合により、IoTトラフィックをバイナリカテゴリ、良性、悪意のあるアクティビティに検出し、分類することが可能になる。 提案モデルの精度は98.42%,最小損失は0.0275である。
  論文  参考訳（メタデータ） (2024-05-28T22:12:15Z)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• FDINet: Protecting against DNN Model Extraction via Feature Distortion Index [25.69643512837956]
  FDINETは、ディープニューラルネットワーク(DNN)モデルの特徴分布を活用する新しい防御メカニズムである。 FDI類似性を利用して、分散抽出攻撃から衝突する敵を識別する。 FDINETは、91%を超える精度で衝突する敵を識別する能力を示している。
  論文  参考訳（メタデータ） (2023-06-20T07:14:37Z)
• Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
  Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。 本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
  論文  参考訳（メタデータ） (2021-10-06T07:09:45Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• 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。