論文の概要: A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems
- arxiv url: http://arxiv.org/abs/2605.00279v1
- Date: Thu, 30 Apr 2026 22:41:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.783113
- Title: A Comparative Analysis of Machine Learning Models for Intrusion Detection in Intelligent Transport Systems
- Title（参考訳）: インテリジェントトランスポートシステムにおける侵入検知のための機械学習モデルの比較解析
- Authors: Zawad Yalmie Sazid, Robert Abbas, Sasa Maric,
- Abstract要約: エッジコンピューティングノードにおけるAIは、高度な脅威から保護する上で重要な役割を果たす。
この研究はエッジコンピューティングを適用し、レイテンシ、帯域幅効率、サービスの応答性を改善する。
また、エッジノードが分散し、異質で、リソースが制限されることが多いため、サイバー攻撃面も拡張される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: AI-powered edge computing security is moving Intelligent Transportation Systems (ITS) from passive, rule-based protections to proactive, smart, zero-touch, self-sufficient safeguards that neutralize threats in milliseconds. As transportation becomes more connected with edge computing, massive IoT, and advanced 5G for vehicle-to-everything (V2X) connectivity, AI at the edge computing nodes plays a crucial role in protecting against sophisticated threats, enabling URLLC (ultra-low-latency communications) for smart transport, and enhancing infrastructure capabilities and safety. This research applies edge computing to improve latency, bandwidth efficiency, and service responsiveness by moving processing closer to devices, gateways, and users. However, this shift also expands the cyberattack surface because edge nodes are distributed, heterogeneous, and often resource-constrained. The paper proposes a trust-aware federated hybrid intrusion detection framework in which a random forest, a decision tree, and a linear SVM network learn complementary traffic representations at each edge site, while a server performs trust-aware aggregation of local model updates.
- Abstract（参考訳）: AIによるエッジコンピューティングのセキュリティは、Intelligent Transportation Systems(ITS)を、受動的でルールベースの保護から、数ミリ秒で脅威を中和する、能動的でスマートでゼロタッチで自己充足型の保護へと移行している。
輸送がエッジコンピューティング、大規模なIoT、V2X接続のための高度な5Gに接続されるにつれて、エッジコンピューティングノードのAIは、高度な脅威から保護し、スマートトランスポートのためのURLLC(ウルトラ低レイテンシ通信)を可能にし、インフラストラクチャ機能と安全性を向上させる上で、重要な役割を果たす。
この研究はエッジコンピューティングを適用して、デバイスやゲートウェイ、ユーザに近い処理をすることで、レイテンシ、帯域幅効率、サービスの応答性を改善する。
しかし、エッジノードが分散し、均一であり、しばしばリソースに制約されるため、このシフトはサイバー攻撃面を拡大する。
本稿では,ランダムな森林,決定木,線形SVMネットワークが各エッジサイトにおいて補完的なトラフィック表現を学習し,サーバがローカルモデル更新の信頼を意識した集約を行う,信頼を意識したハイブリッド侵入検出フレームワークを提案する。
関連論文リスト
- Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。
我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。
我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
論文 参考訳（メタデータ） (2026-04-09T06:13:59Z) - CANGuard: A Spatio-Temporal CNN-GRU-Attention Hybrid Architecture for Intrusion Detection in In-Vehicle CAN Networks [0.7919969809015935]
Internet of Vehicles (IoV) はスマートトランスポートシステムにおいて重要なコンポーネントとなり、車両とインフラ間のシームレスな相互作用を可能にしている。
本稿では,CNN,Gated novel Recurrent Units(RUG)と,そのような攻撃を効果的に識別するための注意機構を組み合わせたディープラーニングアーキテクチャであるCANGuardを提案する。
提案手法は,現代のIoV環境において,実用的でスケーラブルなセキュリティ強化の可能性を示すものである。
論文 参考訳（メタデータ） (2026-03-26T03:49:04Z) - Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - Multi-Agent-Driven Cognitive Secure Communications in Satellite-Terrestrial Networks [58.70163955407538]
悪意のある盗聴者は衛星地上ネットワーク(STN)を介して個人情報に深刻な脅威をもたらす
リアルタイムセンシングによりスペクトルスケジューリングと保護を協調する複数のエージェントによって駆動される認知セキュア通信フレームワークを提案する。
我々は、生成した対向ネットワークを利用して対向行列を生成し、学習支援電力制御を用いて、実及び対向信号のパワーを保護層に設定する。
論文 参考訳（メタデータ） (2026-01-06T10:30:41Z) - Distributed Threat Intelligence at the Edge Devices: A Large Language Model-Driven Approach [0.0]
エッジデバイス上の分散脅威インテリジェンスは、リソース制約されたエッジデバイス上でのサイバーセキュリティを強化するための有望なパラダイムである。
このアプローチでは、エッジデバイスに直接軽量機械学習モデルをデプロイして、ネットワークトラフィックやシステムログなどのローカルデータストリームをリアルタイムで分析する。
提案するフレームワークは,ネットワークからエッジデバイスを分離することで,サイバー脅威の検出と緩和において,より優れたセキュリティを提供することにより,エッジコンピューティングのセキュリティを向上させることができる。
論文 参考訳（メタデータ） (2024-05-14T16:40:37Z) - Cyber-Twin: Digital Twin-boosted Autonomous Attack Detection for Vehicular Ad-Hoc Networks [8.07947129445779]
Vehicular Ad-hoc NETworks(VANETs)の急速な進化は、インテリジェントトランスポートシステム(ITS)の転換期へと導いてきた。
VANETは、妨害やDDoS(Distributed Denial of Service)攻撃など、サイバー攻撃の影響を受けやすくなっている。
既存の方法は、動的攻撃を検出し、VANETサイバーセキュリティを強化するためにデジタルツイン技術と人工知能(AI)モデルを統合するのに困難に直面している。
本研究では、VANETにおけるRSUのセキュリティを高めるために、デジタルツイン技術とAIを組み合わせた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-25T08:05:41Z) - Reinforcement Learning based Cyberattack Model for Adaptive Traffic
Signal Controller in Connected Transportation Systems [61.39400591328625]
接続輸送システムにおいて、適応交通信号制御装置(ATSC)は、車両から受信したリアルタイム車両軌跡データを利用して、グリーンタイムを規制する。
この無線接続されたATSCはサイバー攻撃面を増やし、その脆弱性を様々なサイバー攻撃モードに拡大する。
そのようなモードの1つは、攻撃者がネットワーク内で偽の車両を作成する「シビル」攻撃である。
RLエージェントは、シビル車噴射の最適速度を学習し、アプローチの混雑を生じさせるように訓練される
論文 参考訳（メタデータ） (2022-10-31T20:12:17Z) - 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) - Efficient Federated Learning with Spike Neural Networks for Traffic Sign
Recognition [70.306089187104]
我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。
数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
論文 参考訳（メタデータ） (2022-05-28T03:11:48Z) - A Comparative Analysis of Machine Learning Algorithms for Intrusion
Detection in Edge-Enabled IoT Networks [0.0]
侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。
本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。
MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
論文 参考訳（メタデータ） (2021-11-02T05:58:07Z)
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。