論文の概要: Introducing the Cyber-Physical Data Flow Diagram to Improve Threat Modelling of Internet of Things Devices

• arxiv url: http://arxiv.org/abs/2604.22307v1
• Date: Fri, 24 Apr 2026 07:39:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.38405
• Title: Introducing the Cyber-Physical Data Flow Diagram to Improve Threat Modelling of Internet of Things Devices
• Title（参考訳）: モノのインターネットの脅威モデリングを改善するサイバー物理データフロー図の導入
• Authors: Simon Liebl, Ian Ferguson, Andreas Aßmuth, Natalie Coull, George R. S. Weir,
• Abstract要約: モノのインターネット(IoT)デバイスは、消費者、医療、産業の領域で利用されている。 ハードウェアのモデリングを可能にするサイバー物理データフロー図(CPDFD)が提案されている。 結果は、モデリング手法によって、他にも多くの攻撃シナリオが見つかることを示唆している。
• 参考スコア（独自算出の注目度）: 0.22835610890984168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A growing number of Internet of Things (IoT) devices are used across consumer, medical, and industrial domains. They interact with their environment through sensors and actuators and connect to networks such as the Internet. Because sensors may collect sensitive data and actuators can trigger physical actions, security, privacy, and safety are major challenges. Threat modelling can help identify risks, but established IT-focused methods transfer to the IoT only to a limited extent. In this paper, a new modelling technique specifically for IoT devices called Cyber-Physical Data Flow Diagram (CPDFD) is proposed that also allows modelling of hardware with the aim to support manufacturers in identifying threats and developing countermeasures. The technique was examined through an experimental study and a survey with interviews. The results suggest that numerous other attack scenarios can be found through the modelling technique, improving the identification of threats to IoT devices.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスは、消費者、医療、産業の領域で利用されている。 センサーやアクチュエータを通して環境と対話し、インターネットなどのネットワークに接続する。 センサーは機密データを収集し、アクチュエーターは物理的なアクションをトリガーできるため、セキュリティ、プライバシー、安全性は大きな課題である。 脅威モデリングはリスクの特定に役立つが、確立されたIT重視のメソッドがIoTに移行するのは限られた範囲に限られる。 本稿では,Cyber-Physical Data Flow Diagram (CPDFD)と呼ばれるIoTデバイスに特化した新しいモデリング手法を提案する。 実験とインタビューによる調査を通じて,本手法を検証した。 結果は、IoTデバイスに対する脅威の識別を改善するため、モデリング技術によって、他にも多くの攻撃シナリオが見つかることを示唆している。

関連論文リスト

• Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks [0.34530027457862006]
  本稿では,エッジコンピューティング支援IoT環境におけるセキュリティ向上のための機械学習技術の適用について検討する。 ボットネット脅威の動的で複雑な性質に対処するため、ランダムフォレスト、XGBoost、LightGBMの比較分析を行う。 この結果は、IoTネットワークを新たなサイバーセキュリティ問題に対して強化する機械学習の可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-03T01:52:35Z)
• Securing the Internet of Medical Things (IoMT): Real-World Attack Taxonomy and Practical Security Measures [3.99381596255401]
  IoMT(Internet of Medical Things)は、リアルタイム監視、リモート診断、AIによる意思決定を可能にすることで、医療を根本的に改善する可能性がある。 しかし、接続性、組み込みインテリジェンス、さまざまな新しいセンサーが組み込まれているため、医療機器は深刻なサイバーセキュリティの脅威にさらされる。 我々は、IoMTアーキテクチャの全層にわたる攻撃面、脆弱性、緩和戦略を提示し、IoMTをターゲットにした潜在的攻撃の分類を提供する。
  論文  参考訳（メタデータ） (2025-07-25T18:24:45Z)
• Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things [11.185300073739098]
  従来の侵入検知システム(IDS)は、IoTネットワークの動的かつ大規模な性質を管理するのに不足することが多い。 本稿では,機械学習(ML)とディープラーニング(DL)技術がIoT環境におけるIDSのパフォーマンスを大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2025-04-09T18:52:15Z)
• Cyber Defense Reinvented: Large Language Models as Threat Intelligence Copilots [36.809323735351825]
  CYLENSは、大規模言語モデル(LLM)を利用したサイバー脅威情報通信システムである。 CYLENSは、脅威管理ライフサイクル全体を通じてセキュリティ専門家を支援するように設計されている。 脅威帰属、文脈化、検出、相関、優先順位付け、修復をサポートする。
  論文  参考訳（メタデータ） (2025-02-28T07:16:09Z)
• Countering Autonomous Cyber Threats [40.00865970939829]
  ファンデーションモデルは、サイバードメイン内で広く、特に二元的関心事を提示します。 近年の研究では、これらの先進的なモデルが攻撃的なサイバースペース操作を通知または独立に実行する可能性を示している。 この研究は、孤立したネットワークでマシンを妥協する能力について、最先端のいくつかのFMを評価し、そのようなAIによる攻撃を倒す防御メカニズムを調査する。
  論文  参考訳（メタデータ） (2024-10-23T22:46:44Z)
• 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)
• Machine Learning for Healthcare-IoT Security: A Review and Risk Mitigation [4.499833362998488]
  本稿では、医療用IoTの基礎、プライバシ、マシンラーニングやH-IoTデバイスに関連するデータセキュリティの課題についてレビューする。 この論文は、知覚、ネットワーク、クラウド、アプリケーションなどの医療用IoTレイヤを監視することの重要性をさらに強調する。
  論文  参考訳（メタデータ） (2024-01-17T10:55:26Z)
• Constrained Twin Variational Auto-Encoder for Intrusion Detection in IoT Systems [30.16714420093091]
  侵入検知システム(IDS)は、悪意のある攻撃から何十億ものIoTデバイスを保護する上で重要な役割を果たす。 本稿では,CTVAE(Constrained Twin Variational Auto-Encoder)と呼ばれる新しいディープニューラルネットワーク/アーキテクチャを提案する。 CTVAEは、最先端の機械学習および表現学習方法と比較して、精度と検出攻撃におけるFscoreの約1%を向上することができる。
  論文  参考訳（メタデータ） (2023-12-05T04:42:04Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• Forensics and security issues in the Internet of Things [6.422895251217666]
  本稿では、異なる分野におけるIoTに関する法医学的およびセキュリティ上の問題についてレビューする。 ほとんどのIoTデバイスは、標準的なセキュリティ対策が欠如しているため、攻撃に対して脆弱である。 消費者のセキュリティを意識したニーズを満たすために、IoTはスマートホームシステムの開発に使用できる。
  論文  参考訳（メタデータ） (2023-09-06T04:41:48Z)

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。