論文の概要: A-THENA: Early Intrusion Detection for IoT with Time-Aware Hybrid Encoding and Network-Specific Augmentation
- arxiv url: http://arxiv.org/abs/2604.21623v1
- Date: Thu, 23 Apr 2026 12:43:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.496657
- Title: A-THENA: Early Intrusion Detection for IoT with Time-Aware Hybrid Encoding and Network-Specific Augmentation
- Title（参考訳）: A-THENA: タイムアウェアなハイブリッドエンコーディングとネットワーク特化によるIoTの早期侵入検出
- Authors: Ioannis Panopoulos, Maria Lamprini A. Bartsioka, Sokratis Nikolaidis, Stylianos I. Venieris, Dimitra I. Kaklamani, Iakovos S. Venieris,
- Abstract要約: A-THENAは早期侵入検知システムであり、時間認識エンコーディングの予備的な発見を著しく拡張する。
A-THENAは、一般化されたTime-Aware Hybridを付加した高度なTransformerベースのアーキテクチャを採用している。
specific (複数形 specifics)
A-THENAはRaspberry Pi Zero 2 W上にデプロイされており、最小のレイテンシとメモリ使用量でリアルタイムの侵入検出を実行する能力を示している。
- 参考スコア（独自算出の注目度）: 2.9689336180868935
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The proliferation of Internet of Things (IoT) devices has significantly expanded attack surfaces, making IoT ecosystems particularly susceptible to sophisticated cyber threats. To address this challenge, this work introduces A-THENA, a lightweight early intrusion detection system (EIDS) that significantly extends preliminary findings on time-aware encodings. A-THENA employs an advanced Transformer-based architecture augmented with a generalized Time-Aware Hybrid Encoding (THE), integrating packet timestamps to effectively capture temporal dynamics essential for accurate and early threat detection. The proposed system further employs a Network-Specific Augmentation (NA) pipeline, which enhances model robustness and generalization. We evaluate A-THENA on three benchmark IoT intrusion detection datasets-CICIoT23-WEB, MQTT-IoT-IDS2020, and IoTID20-where it consistently achieves strong performance. Averaged across all three datasets, it improves accuracy by 6.88 percentage points over the best-performing traditional positional encoding, 3.69 points over the strongest feature-based model, 6.17 points over the leading time-aware alternatives, and 5.11 points over related models, while achieving near-zero false alarms and false negatives. To assess real-world feasibility, we deploy A-THENA on the Raspberry Pi Zero 2 W, demonstrating its ability to perform real-time intrusion detection with minimal latency and memory usage. These results establish A-THENA as an agile, practical, and highly effective solution for securing IoT networks.
- Abstract（参考訳）: IoT(Internet of Things)デバイスの普及により、攻撃面が大幅に拡大し、IoTエコシステムは特に高度なサイバー脅威の影響を受けやすくなっている。
この課題に対処するために、A-THENAは、時間認識エンコーディングの予備的な発見を大幅に拡張する軽量早期侵入検知システム(EIDS)である。
A-THENAは、一般化されたTime-Aware Hybrid Encoding (THE)を付加した高度なTransformerベースのアーキテクチャを採用し、パケットタイムスタンプを統合して、正確かつ早期の脅威検出に不可欠な時間的ダイナミクスを効果的に捉える。
提案システムは、モデルロバスト性と一般化を向上するNetwork-Specific Augmentation (NA)パイプラインも採用している。
我々は、CICIoT23-WEB、MQTT-IoT-IDS2020、IoTID20という3つのベンチマークIoT侵入検出データセットに対して、A-THENAを評価した。
3つのデータセットの平均的な精度は、最も優れた伝統的な位置符号化よりも6.88ポイント、最強の機能ベースモデルより3.69ポイント、主要な時間認識代替モデルより6.17ポイント、関連するモデルより5.11ポイント向上し、ほぼゼロに近い誤報と偽陰性を達成する。
実世界の実現可能性を評価するため、Raspberry Pi Zero 2 WにA-THENAをデプロイし、最小のレイテンシとメモリ使用量でリアルタイム侵入検出を行う能力を実証した。
これらの結果は、A-THENAを、IoTネットワークを保護するための、アジャイルで実践的で、非常に効果的なソリューションとして確立します。
関連論文リスト
- 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) - A Novel Ensemble Learning Approach for Enhanced IoT Attack Detection: Redefining Security Paradigms in Connected Systems [1.471773259411406]
本研究は、IoT攻撃検出を改善するために設計された、新しいアンサンブル学習アーキテクチャを提案する。
提案手法は、高度な機械学習技術、特にエクストラツリー、および徹底的な前処理を適用している。
その結果, 高いリコール, 精度, エラー率の低い精度が得られた。
論文 参考訳（メタデータ） (2025-10-09T11:15:15Z) - 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) - Dynamic Temporal Positional Encodings for Early Intrusion Detection in IoT [3.6686692131754834]
IoT(Internet of Things)の急速な拡張は、重大なセキュリティ上の課題をもたらしている。
従来の侵入検知システム(IDS)は、しばしばネットワークトラフィックの時間的特性を見落としている。
動的時間的位置エンコーディングを組み込んだトランスフォーマーを用いた早期侵入検知システム(EIDS)を提案する。
論文 参考訳（メタデータ） (2025-06-22T17:56:19Z) - MDHP-Net: Detecting an Emerging Time-exciting Threat in IVN [42.74889568823579]
我々は車載ネットワーク(IVN)に対する新たな時間的脅威モデルを特定する。
これらの攻撃は、タイムエキサイティングな効果を示す悪意のあるメッセージを注入し、徐々にネットワークトラフィックを操作して車両の動作を妨害し、安全クリティカルな機能を損なう。
時間的脅威を検出するため,MDHP-Netを導入し,Multi-Dimentional Hawkes Process(MDHP)と時間的・メッセージ的特徴抽出構造を利用した。
論文 参考訳（メタデータ） (2025-04-16T08:41:24Z) - Efficient Intrusion Detection: Combining $χ^2$ Feature Selection with CNN-BiLSTM on the UNSW-NB15 Dataset [2.239394800147746]
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をデプロイする上での課題である。
本稿では、軽量畳み込みニューラルネットワーク(CNN)と双方向長短期記憶(BiLSTM)を組み合わせた効果的なIDSモデルを提案する。
論文 参考訳（メタデータ） (2024-07-20T17:41:16Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - InstantNet: Automated Generation and Deployment of Instantaneously Switchable-Precision Networks [57.37790305246986]
可変ビット幅で動作する即時切替可能精度ネットワークを自動生成・展開するInstantNetを提案する。
実験では、提案されたInstantNetは最先端の設計を一貫して上回っている。
論文 参考訳（メタデータ） (2021-04-22T04:07:43Z) - Detecting Botnet Attacks in IoT Environments: An Optimized Machine
Learning Approach [8.641714871787595]
機械学習(ML)は、IoTデバイスやネットワークで生成され利用可能な大量のデータのために、潜在的なソリューションの1つとして浮上しました。
本稿では,IoTデバイスに対する攻撃を効果的かつ効率的に検出するMLベースのフレームワークを提案する。
実験の結果,提案フレームワークは高い検出精度,精度,リコール,Fスコアを有することがわかった。
論文 参考訳（メタデータ） (2020-12-16T16:39:55Z) - Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。
本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。
提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
論文 参考訳（メタデータ） (2020-01-10T05:29:17Z)
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。