論文の概要: Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks

• arxiv url: http://arxiv.org/abs/2604.14444v1
• Date: Wed, 15 Apr 2026 21:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.62536
• Title: Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
• Title（参考訳）: データポジショニング攻撃によるIoT侵入検出のための機械学習モデルのロバストネス解析
• Authors: Fortunatus Aabangbio Wulnye, Justice Owusu Agyemang, Kwame Opuni-Boachie Obour Agyekum, Kwame Agyeman-Prempeh Agyekum, Kingsford Sarkodie Obeng Kwakye, Francisca Adomaa Acheampong,
• Abstract要約: 本研究では,広範に使用されている4種類の分類器,ランダムフォレスト,グラディエントブースティングマシン,ロジスティック回帰モデル,ディープニューラルネットワークモデルの複数の毒殺対策に対する感受性を評価する。 その結果、アンサンブルベースのモデルは比較的安定した性能を示すが、ロジスティック回帰とディープニューラルネットワークはラベル操作とアウトリアベースの攻撃で最大40%の劣化を被っていることがわかった。 検出は、逆向きに堅牢なトレーニング、継続的な異常監視、運用中のネットワーク侵入検知システムにおける機能レベルの検証の必要性を強調している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring the reliability of machine learning-based intrusion detection systems remains a critical challenge in Internet of Things (IoT) environments, particularly as data poisoning attacks increasingly threaten the integrity of model training pipelines. This study evaluates the susceptibility of four widely used classifiers, Random Forest, Gradient Boosting Machine, Logistic Regression, and Deep Neural Network models, against multiple poisoning strategies using three real-world IoT datasets. Results show that while ensemble-based models exhibit comparatively stable performance, Logistic Regression and Deep Neural Networks suffer degradation of up to 40% under label manipulation and outlier-based attacks. Such disruptions significantly distort decision boundaries, reduce detection fidelity, and undermine deployment readiness. The findings highlight the need for adversarially robust training, continuous anomaly monitoring, and feature-level validation within operational Network Intrusion Detection Systems. The study also emphasizes the importance of integrating resilience testing into regulatory and compliance frameworks for AI-driven IoT security. Overall, this work provides an empirical foundation for developing more resilient intrusion detection pipelines and informs future research on adaptive, attack-aware models capable of maintaining reliability under adversarial IoT conditions.
• Abstract（参考訳）: マシンラーニングベースの侵入検知システムの信頼性を保証することは、IoT(Internet of Things)環境では依然として重要な課題である。 本研究では,3つの実世界のIoTデータセットを用いた複数の中毒対策に対して,ランダムフォレスト,グラディエントブースティングマシン,ロジスティック回帰,ディープニューラルネットワークモデルの4つの広く使用されている分類器の感受性を評価する。 その結果、アンサンブルベースのモデルは比較的安定した性能を示すが、ロジスティック回帰とディープニューラルネットワークはラベル操作とアウトリアベースの攻撃で最大40%の劣化を被っていることがわかった。 このようなディスラプションは、決定境界を著しく歪め、検出忠実度を低減し、デプロイメントの準備を損なう。 この結果から,ネットワーク侵入検知システムにおいて,逆向きに堅牢なトレーニング,連続的異常監視,機能レベルの検証の必要性が浮き彫りになった。 この研究は、AI駆動IoTセキュリティのための規制およびコンプライアンスフレームワークにレジリエンステストを統合することの重要性を強調している。 全体として、この研究はよりレジリエントな侵入検知パイプラインを開発するための実証的な基盤を提供し、敵のIoT条件下で信頼性を維持することができる適応型攻撃対応モデルに関する将来の研究を通知する。

関連論文リスト

• Understanding AI Methods for Intrusion Detection and Cryptographic Leakage [42.8384136157456]
  機械学習技術が悪意あるネットワーク活動を検知し、暗号実装における潜在的な情報漏洩を特定する方法について評価する。 この結果から,安定したネットワーク環境下でのAIモデルによるほぼ完璧な検出精度が得られた。 また、学習したモデルがサイドチャネルリークと整合したパターンを識別し、AIが実装レベルの脆弱性を明らかにするのに役立つことを示唆した。
  論文  参考訳（メタデータ） (2026-03-26T18:42:57Z)
• Incremental Federated Learning for Intrusion Detection in IoT Networks under Evolving Threat Landscape [0.5161531917413708]
  本研究は,IoTネットワークにおける非定常IDSモデルの長期性能向上のための,インクリメンタルフェデレーション学習の総合的パフォーマンス解析を提供する。 以上の結果から,累積的漸進的学習と代表的学習がドリフト時の最も安定した性能をもたらすことが示された。 この研究は、IoTデバイスのリソース制約を考慮して、よりレジリエントなIDSソリューションの開発を知らせることを目的としている。
  論文  参考訳（メタデータ） (2026-03-11T13:51:11Z)
• Quantifying Catastrophic Forgetting in IoT Intrusion Detection Systems [1.7297586889191063]
  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。
  論文  参考訳（メタデータ） (2026-02-27T23:00:36Z)
• 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)
• SoK: Systematic analysis of adversarial threats against deep learning approaches for autonomous anomaly detection systems in SDN-IoT networks [1.4610038284393163]
  本研究では、構造化された敵対的脅威モデルと攻撃の包括的分類を導入し、それらをデータ、モデル、ハイブリッドレベルの脅威に分類する。 以上の結果から、敵の攻撃によって検出精度が最大48.4%低下し、メンバーシップ推論が最大の低下を招いたことが判明した。 本稿では、リアルタイムの敵緩和、強化されたリトレーニング機構、説明可能なAI駆動型セキュリティフレームワークなど、適応的な対策を提案する。
  論文  参考訳（メタデータ） (2025-09-30T14:54:42Z)
• 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)
• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• 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)
• Analyzing Adversarial Inputs in Deep Reinforcement Learning [53.3760591018817]
  本稿では, 正当性検証のレンズを用いて, 逆入力の特性を包括的に解析する。 このような摂動に対する感受性に基づいてモデルを分類するために、新しい計量である逆数率(Adversarial Rate)を導入する。 本分析は, 直交入力が所定のDRLシステムの安全性にどのように影響するかを実証的に示す。
  論文  参考訳（メタデータ） (2024-02-07T21:58:40Z)
• 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)

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。