論文の概要: Resource-Aware Layered Intrusion Detection Allocation Model

• arxiv url: http://arxiv.org/abs/2604.22304v1
• Date: Fri, 24 Apr 2026 07:36:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.382173
• Title: Resource-Aware Layered Intrusion Detection Allocation Model
• Title（参考訳）: 資源を考慮した層状侵入検出割当モデル
• Authors: Ioan Pădurean, Béla Genge, Roland Bolboacă,
• Abstract要約: 本稿では,ヘット不均質ネットワークにおける層状侵入検知のためのリソース・アウェア・アロケーション・モデルを提案する。 この問題は、Ethernetからアプリケーション層までの1つの監視深度を各デバイスに割り当てる整数線形プログラムとして formu が遅れている。 このモデルは、グローバルなリソース予算、クリティカルデバイスに対する最小監視レベル、制約されたデバイスに対する最大可能性制限をさらに強化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper proposes a resource-aware allocation model for layered intrusion detection in het erogeneous networks. Monitoring traffic at higher protocol layers improves the ability to detect sophisticated attacks, but it also increases computational and storage costs. The problem is formu lated as an integer linear program that assigns a single monitoring depth, ranging from Ethernet to the application layer, to each device, while accounting for device importance, attack probability, layer-dependent detection rates, and per-layer monitoring costs. The model further enforces a global resource budget, a minimum monitoring level for critical devices, and maximum-feasibility limits for constrained devices such as simple IoT sensors. The formulation is solved with the SCIP optimization framework on a small heterogeneous network of six devices, and the resulting allocation illustrates how the model concentrates monitoring effort on important and high-risk devices while respecting feasibility and budget constraints.
• Abstract（参考訳）: 本稿では,ヘット不均質ネットワークにおける層状侵入検知のためのリソース・アウェア・アロケーション・モデルを提案する。 より高いプロトコル層でのトラフィックの監視により、高度な攻撃を検出する能力が向上する一方で、計算とストレージコストも向上する。 問題は、デバイスの重要性、アタック確率、層依存検出率、層ごとの監視コストを考慮しつつ、Ethernetからアプリケーション層に至るまで、単一の監視深度を各デバイスに割り当てる整数線形プログラムとして、formuが遅れている。 さらに、このモデルでは、グローバルリソース予算、クリティカルデバイスに対する最小監視レベル、シンプルなIoTセンサのような制限されたデバイスに対する最大可能性制限も実施されている。 この定式化は、SCIP最適化フレームワークを用いて、6つのデバイスからなる小さな異種ネットワーク上で解決され、その結果のアロケーションは、実現可能性と予算制約を尊重しながら、重要で高リスクなデバイスに対する監視作業に集中する方法を示す。

関連論文リスト

• In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis [8.042250872791344]
  IoT(Internet of Things)とそのバックボーンネットワークとの統合は、セキュリティ侵害のリスクを高めている。 大量のデータを中央サーバに転送する必要がある従来の集中的な異常検出アプローチは、プライバシ、スケーラビリティ、レイテンシの制限に悩まされている。 本稿では,リソース制約のあるエッジデバイスへの展開を目的とした,軽量なオートエンコーダに基づく異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T05:46:28Z)
• 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)
• RE-POSE: Synergizing Reinforcement Learning-Based Partitioning and Offloading for Edge Object Detection [3.2805151494259563]
  エッジデバイス上でのリアルタイムオブジェクト検出は、その限られた計算リソースと、ディープニューラルネットワーク(DNN)ベースの検出モデルの高要求により、大きな課題を呈している。 本稿では,リソース制約のあるエッジ環境における精度-遅延トレードオフを最適化するフレームワークであるRE-POSEを紹介する。
  論文  参考訳（メタデータ） (2025-01-16T10:56:45Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• Federated PCA on Grassmann Manifold for IoT Anomaly Detection [23.340237814344384]
  従来の機械学習ベースの侵入検知システム(ML-IDS)にはラベル付きデータの要求のような制限がある。 AutoEncodersやGenerative Adversarial Networks (GAN)のような最近の教師なしML-IDSアプローチは代替ソリューションを提供する。 本稿では,分散データセットの共通表現を学習するフェデレーション型非教師付き異常検出フレームワークであるFedPCAを提案する。
  論文  参考訳（メタデータ） (2024-07-10T07:23:21Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
  テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。 いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。 本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
  論文  参考訳（メタデータ） (2022-08-17T03:00:24Z)
• ARCADE: Adversarially Regularized Convolutional Autoencoder for Network Anomaly Detection [0.0]
  ARCADEと呼ばれる、教師なしの異常に基づくディープラーニング検出システム。 リソース制約のある環境でのオンライン検出に適した畳み込みオートエンコーダ(AE)を提案する。
  論文  参考訳（メタデータ） (2022-05-03T11:47:36Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• 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。