論文の概要: CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly Detection and Attack Classification
- arxiv url: http://arxiv.org/abs/2605.06571v1
- Date: Thu, 07 May 2026 17:01:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-08 22:27:12.018124
- Title: CLAD: A Clustered Label-Agnostic Federated Learning Framework for Joint Anomaly Detection and Attack Classification
- Title（参考訳）: CLAD:共同異常検出と攻撃分類のためのクラスタ化されたラベル非依存のフェデレーション学習フレームワーク
- Authors: Iason Ofeidis, Nikos Papadis, Randeep Bhatia, Leandros Tassiulas, TV Lakshman,
- Abstract要約: Internet of Things(IoT)とIndustrial IoT(IIoT)は、巨大で異質なアタックサーフェスを作成しました。
本稿では,Clustered Federated Learning(CFL)を新しいDual-Mode Micro-Architectureにシームレスに組み込む,包括的なフレームワークであるCLADを提案する。
- 参考スコア（独自算出の注目度）: 7.2780885662220065
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid expansion of the Internet of Things (IoT) and Industrial IoT (IIoT) has created a massive, heterogeneous attack surface that challenges traditional network security mechanisms. While Federated Learning (FL) offers a privacy-preserving alternative to centralized Intrusion Detection Systems (IDS), standard approaches struggle to generalize across diverse device behaviors and typically fail to utilize the vast amounts of unlabeled data present in realistic edge environments. To bridge these gaps, we propose CLAD, a holistic framework that seamlessly incorporates Clustered Federated Learning (CFL) with a novel Dual-Mode Micro-Architecture ($\text{DM}^2\text{A}$). This unified approach simultaneously tackles the two primary bottlenecks of IoT security: device heterogeneity and label scarcity. The $\text{DM}^2\text{A}$ component features a shared encoder followed by two branches, enabling joint unsupervised anomaly detection and supervised attack classification; this allows the framework to harvest intelligence from both labeled and unlabeled clients. Concurrently, the clustering component dynamically groups devices with congruent traffic patterns, preventing global model divergence. By carefully combining these elements, CLAD ensures that no data is discarded and distinct operational patterns are preserved. Extensive evaluations demonstrate that this integrated approach significantly outperforms state-of-the-art baselines, achieving a 30% relative improvement in detection performance in scenarios with 80% unlabeled clients, with only half the communication cost.
- Abstract（参考訳）: IoT(Internet of Things)とIIoT(Industrial IoT)の急速な拡張は、従来のネットワークセキュリティメカニズムに挑戦する、巨大で異質な攻撃面を生み出した。
Federated Learning (FL) は集中型侵入検知システム (IDS) に代わるプライバシ保護を提供するが、標準的なアプローチは多様なデバイスの振る舞いを一般化するのに苦労し、現実的なエッジ環境に存在する大量のラベルのないデータを利用できない。
これらのギャップを埋めるために,Clustered Federated Learning (CFL) をシームレスに組み込んだ総合的なフレームワークであるCLADを提案し,新しいDual-Mode Micro-Architecture ($\text{DM}^2\text{A}$。
この統一されたアプローチは、デバイスの不均一性とラベルの不足という、IoTセキュリティの2つの主要なボトルネックに同時に対処する。
$\text{DM}^2\text{A}$コンポーネントには共有エンコーダと2つのブランチがあり、共同で教師なしの異常検出と教師付き攻撃分類を可能にしている。
同時に、クラスタリングコンポーネントは、連続したトラフィックパターンでデバイスを動的にグループ化し、グローバルモデルのばらつきを防止する。
これらの要素を慎重に組み合わせることで、CLADはデータが破棄されず、異なる運用パターンが保存されることを保証する。
大規模な評価では、この統合アプローチは最先端のベースラインを著しく上回り、80%の未ラベルクライアントを持つシナリオにおいて、通信コストを半分に抑えながら、検出性能を30%向上させることが示されている。
関連論文リスト
- COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである
フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。
TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
論文 参考訳（メタデータ） (2026-03-25T07:20:27Z) - MI$^2$DAS: A Multi-Layer Intrusion Detection Framework with Incremental Learning for Securing Industrial IoT Networks [47.386868423451595]
MI$2$DASは、異常に基づく階層的なトラフィックプーリングとオープンセット認識を統合する多層侵入検知フレームワークである。
Edge-IIoTsetデータセットで実施された実験は、すべてのレイヤで強力なパフォーマンスを示している。
これらの結果は、IIoTセキュリティを強化するための効果的でスケーラブルで適応的なフレームワークとして、MI$2$DASを示している。
論文 参考訳（メタデータ） (2026-02-27T09:37:05Z) - Elevating Intrusion Detection and Security Fortification in Intelligent Networks through Cutting-Edge Machine Learning Paradigms [5.706727902661187]
本研究では,頑健なマルチクラス機械学習による侵入検出フレームワークを提案する。
高度な特徴選択技術を統合して、重要な属性を識別し、冗長性を緩和し、検出精度を向上する。
提案したアンサンブルアーキテクチャは,98%の精度,98%の精度,98%のリコール,2%の偽陽性率で優れた性能を実現する。
論文 参考訳（メタデータ） (2025-12-22T05:14:26Z) - From Feature Interaction to Feature Generation: A Generative Paradigm of CTR Prediction Models [81.43473418572567]
CTR(Click-Through Rate)予測は、レコメンデーションシステムにおける中核的なタスクである。
本稿では,埋め込み次元の崩壊と情報冗長性に対処する新しい生成フレームワークを提案する。
SFGは埋没崩壊を緩和し,情報冗長性を低減し,性能向上を図っている。
論文 参考訳（メタデータ） (2025-12-16T03:17:18Z) - Attack-Specialized Deep Learning with Ensemble Fusion for Network Anomaly Detection [1.2461503242570642]
従来の侵入検知システムは、頻繁な攻撃と稀な攻撃の両方で高い精度を維持するのに苦労している。
本稿では,特殊なディープラーニングモデルとアンサンブルメタ分類器を統合したハイブリッドな異常検出フレームワークを提案する。
提案システムでは,誤報を最小限に抑えたほぼ完全な検出率を実現し,その堅牢性と一般化性を強調した。
論文 参考訳（メタデータ） (2025-10-14T12:41:16Z) - Clustered Federated Learning for Generalizable FDIA Detection in Smart Grids with Heterogeneous Data [9.222461989780735]
False Data Injection Attacks (FDIA)は、スマートグリッドに深刻なセキュリティリスクをもたらす。
従来の集中型トレーニングアプローチは、プライバシのリスクやデータ共有の制約に直面するだけでなく、高い送信コストを発生させる。
本稿では,FedClusAvg(Federated Cluster Average)を提案する。
論文 参考訳（メタデータ） (2025-07-20T15:10:43Z) - 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) - Detecting Unknown Attacks in IoT Environments: An Open Set Classifier
for Enhanced Network Intrusion Detection [5.787704156827843]
本稿では,IoT環境に適したネットワーク侵入検知システム(NIDS)の領域におけるオープンセット認識(OSR)問題の緩和を目的としたフレームワークを提案する。
ネットワークトラフィックから空間的・時間的パターンを抽出し,パケットレベルデータのイメージベース表現に重きを置いている。
実験の結果は、このフレームワークの有効性を顕著に強調し、これまで見つからなかった攻撃に対して、驚くべき88%の検知率を誇示している。
論文 参考訳（メタデータ） (2023-09-14T06:41:45Z) - Uncertainty-aware Clustering for Unsupervised Domain Adaptive Object
Re-identification [123.75412386783904]
最先端のオブジェクトRe-IDアプローチでは、クラスタリングアルゴリズムを採用して、ラベルのないターゲットドメインの擬似ラベルを生成する。
UDAタスクのための不確実性対応クラスタリングフレームワーク(UCF)を提案する。
我々のUCF法は、オブジェクトRe-IDのための複数のUDAタスクにおける最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2021-08-22T09:57:14Z) - Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。
Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。
4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-08-23T13:16:34Z)
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。