論文の概要: LiteShield: Hybrid Feature Selection-Driven Lightweight Intrusion Detection for Resource-Constrained IoT Networks
- arxiv url: http://arxiv.org/abs/2605.02987v1
- Date: Mon, 04 May 2026 14:04:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-06 19:35:43.56909
- Title: LiteShield: Hybrid Feature Selection-Driven Lightweight Intrusion Detection for Resource-Constrained IoT Networks
- Title（参考訳）: LiteShield: リソース制約IoTネットワークのためのハイブリッド機能選択駆動型軽量侵入検出
- Authors: Dileepa Mabulage, Banuka Athuraliya,
- Abstract要約: LiteShieldは、IoT(Internet of Things)環境のための機械学習ベースの侵入検知システム(IDS)である。
ハイブリッドな特徴選択と効率的な分類器を組み合わせることで、限られた計算予算下での正確な攻撃検出をサポートする。
6つの軽量な分類器を2進法と多進法の両方で評価する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid expansion of Internet of Things (IoT) deployments has enlarged the attack surface of modern digital infrastructure while exposing a key security mismatch: many intrusion detection systems (IDSs) remain too computationally expensive for constrained IoT environments. This paper presents LiteShield, a lightweight machine learning-based IDS that combines hybrid feature selection with efficient classifiers to support accurate attack detection under limited computational budgets. The proposed framework uses the UNSW-NB15 dataset, applies data preprocessing and imbalance-aware preparation, and employs a two-stage feature selection pipeline based on Mutual Information (MI) and Recursive Feature Elimination with Cross-Validation (RFECV). Six lightweight classifiers are evaluated for both binary and multiclass intrusion detection: Decision Tree, Random Forest, K-Nearest Neighbors (KNN), Logistic Regression, Naïve Bayes, and Support Vector Machine. Experimental results show that KNN achieved the highest raw predictive performance, reaching 98.26% accuracy for binary classification and 85.22% accuracy for multiclass classification. However, Random Forest delivered the most practical trade-off between detection quality and deployment efficiency, obtaining 98.01% binary accuracy and 80.39% multiclass accuracy with substantially lower model size and inference cost than KNN. Additional ablation analysis on minority attack classes indicates that class imbalance materially affects multiclass performance. Overall, LiteShield demonstrates that hybrid feature selection and lightweight machine learning can provide a viable path toward accurate and computationally feasible intrusion detection for IoT-focused environments.
- Abstract（参考訳）: IoT(Internet of Things)デプロイメントの急速な拡張は、現代のデジタルインフラストラクチャの攻撃面を拡大するとともに、重要なセキュリティミスマッチを明らかにしている。
本稿では,ハイブリッド特徴選択と効率的な分類器を組み合わせた軽量機械学習 IDS である LiteShield について述べる。
提案フレームワークは、UNSW-NB15データセットを使用し、データ前処理と不均衡対応の準備を適用し、相互情報(MI)と相互検証による再帰的特徴除去(RFECV)に基づく2段階の特徴選択パイプラインを使用する。
決定木,ランダムフォレスト,K-Nearest Neighbors(KNN),ロジスティック回帰,ナイーブベイズ,サポートベクトルマシンの6つの軽量分類器の評価を行った。
実験の結果、KNNは2進分類では98.26%、多進分類では85.22%の精度に達した。
しかし、ランダムフォレストは検出品質と展開効率の最も実用的なトレードオフを提供し、98.01%のバイナリ精度と80.39%のマルチクラス精度を獲得し、モデルサイズと推論コストはKNNよりも大幅に低かった。
マイノリティアタッククラスに対する追加のアブレーション分析は、クラス不均衡がマルチクラスのパフォーマンスに重大な影響を及ぼすことを示している。
全体として、LiteShield氏は、ハイブリッド機能選択と軽量機械学習が、IoTにフォーカスした環境において、正確で計算可能な侵入検出への実行可能なパスを提供することを示した。
関連論文リスト
- IntrusionX: A Hybrid Convolutional-LSTM Deep Learning Framework with Squirrel Search Optimization for Network Intrusion Detection [0.4549831511476248]
侵入検知システム(IDS)は、NSL-KDDのようなベンチマークデータセットにおいて、サイバー攻撃の進化、高次元トラフィックデータ、厳しいクラス不均衡により、永続的な課題に直面している。
IntrusionXは,局所的特徴抽出のための畳み込みニューラルネットワーク(CNN)と時間的モデリングのためのLong Short-Term Memory(LSTM)ネットワークを統合したハイブリッドディープラーニングフレームワークである。
パイプラインには厳密な前処理,階層化データ分割,動的クラス重み付けが組み込まれ,レアクラスの検出が促進される。
論文 参考訳（メタデータ） (2025-10-01T06:51:25Z) - 10K is Enough: An Ultra-Lightweight Binarized Network for Infrared Small-Target Detection [48.074211420276605]
バイナリ化されたニューラルネットワーク(BNN)は、モデル圧縮における例外的な効率によって区別される。
両立赤外小ターゲット検出ネットワーク(BiisNet)を提案する。
BiisNetは二項化畳み込みのコア操作を保存し、完全精度の機能をネットワークの情報フローに統合する。
論文 参考訳（メタデータ） (2025-03-04T14:25:51Z) - Adaptive Cyber-Attack Detection in IIoT Using Attention-Based LSTM-CNN Models [0.23408308015481666]
本研究では,ハイブリッドLSTM畳み込みニューラルネットワーク(CNN)のアーキテクチャに基づく高度な侵入検出(IDS)の開発と評価を行う。
本研究は二項分類と多項分類という2つの重要な分類課題に焦点を当てている。
バイナリ分類では、モデルはほぼ完全な精度を達成し、マルチクラス分類では、高い精度 (99.04%) を維持し、様々な攻撃タイプを0.0220%の損失値で効果的に分類した。
論文 参考訳（メタデータ） (2025-01-21T20:52:23Z) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - Optimized IoT Intrusion Detection using Machine Learning Technique [0.0]
侵入検知システム(IDS)は様々な攻撃に対する防御に不可欠である。
IoT IDSシステムの機能的および物理的多様性は、重大な問題を引き起こす。
本研究は、特異性に基づくIDSに対して、新しい成分選択抽出戦略を提案し、実装する。
論文 参考訳（メタデータ） (2024-12-03T21:23:54Z) - Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
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のデプロイを困難にしている。
軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
論文 参考訳（メタデータ） (2024-06-04T20:36:21Z) - Machine Learning-Based Intrusion Detection: Feature Selection versus
Feature Extraction [3.5889226512319903]
モノのインターネット(IoT)デバイスは、サイバー攻撃に対して非常に脆弱である。
機械学習に基づくIoTネットワークの侵入検出手法が開発されている。
本稿では,この2つの特徴量検出手法の総合的な比較を行った。
論文 参考訳（メタデータ） (2023-07-04T08:48:01Z) - Effective Intrusion Detection in Highly Imbalanced IoT Networks with
Lightweight S2CGAN-IDS [48.353590166168686]
モノのインターネット(IoT)ネットワークは、異常なトラフィックよりも遥かに良質なトラフィックを含んでいる。
既存研究の多くは、少数民族の検出率を向上させるために、多数民族の検出率を犠牲にすることに焦点を当てている。
我々はS2CGAN-IDSという軽量なフレームワークを提案し、データ空間と特徴空間の両方においてマイノリティなカテゴリの数を拡大する。
論文 参考訳（メタデータ） (2023-06-06T14:19:23Z) - Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。
提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
論文 参考訳（メタデータ） (2021-06-22T16:53:09Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。