論文の概要: Empowering IoT Security: On-Device Intrusion Detection in Resource Constrained Devices

• arxiv url: http://arxiv.org/abs/2605.13159v1
• Date: Wed, 13 May 2026 08:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.908382
• Title: Empowering IoT Security: On-Device Intrusion Detection in Resource Constrained Devices
• Title（参考訳）: IoTセキュリティの強化: リソース制約デバイスにおけるオンデバイス侵入検出
• Authors: Vasilis Ieropoulos, Eirini Anthi, Theodoros Spyridopoulos, Pete Burnap, Aftab Khan, Pietro Carnelli,
• Abstract要約: 本研究は、ニューラルネットワークを用いてサイバー脅威を識別する決定木法を用いて、機械学習アルゴリズムを利用して、99%の顕著な検出精度を達成し、96%のニューラルネットワークを用いてサイバー脅威を識別する軽量モデルを提案する。 決定木法は高い精度を提供するが、より計算資源を必要とする一方、ニューラルネットワークのアプローチは、わずかに精度が低いにもかかわらず、よりメモリ効率が高い。
• 参考スコア（独自算出の注目度）: 2.6579369175321155
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IoT devices particularly microcontrollers are challenged by their inherent limitations in processing capabilities, memory capacity, and energy conservation. Securing communication within IoT networks is further complicated by the heterogeneity of devices and the myriad of potential security threats. Our study introduces a lightweight model that utilises machine learning algorithms to achieve a notable detection accuracy of 99% using a decision tree method and 96% using a neural network in identifying cyber threats, including Denial of Service and Man-in-the-Middle attacks which make up the majority of the attacks these devices face. While the decision tree method offers higher accuracy, it requires more computational resources, whereas the neural network approach, despite a slightly lower accuracy, is more memory-efficient. Both methods enhance the real-time monitoring and defence of IoT networks, safeguarding the transmission of data. Additionally, our approach is tailored to conserve memory and optimise computational demands, rendering it suitable for deployment on microcontrollers with limited resources.
• Abstract（参考訳）: IoTデバイス、特にマイクロコントローラは、処理能力、メモリ容量、エネルギー保存に固有の制限により、課題を抱えている。 IoTネットワーク内の通信のセキュア化は、デバイスの不均一性と、潜在的なセキュリティ脅威の無数によってさらに複雑になる。 本研究では、機械学習アルゴリズムを利用して、決定木法を用いて99%、ニューラルネットワークを用いて96%の顕著な検出精度を達成する軽量モデルを紹介し、それらデバイスが直面する攻撃の大部分を構成するDenial of ServiceやMan-in-the-Middle攻撃を含むサイバー脅威を識別する。 決定木法は高い精度を提供するが、より計算資源を必要とする一方、ニューラルネットワークのアプローチは、わずかに精度が低いにもかかわらず、よりメモリ効率が高い。 どちらの方法もIoTネットワークのリアルタイム監視と防御を強化し、データの送信を保護している。 さらに,本手法はメモリの保存と計算要求の最適化に最適化されており,資源が限られているマイクロコントローラへの展開に適している。

関連論文リスト

• A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT [0.4511923587827302]
  フェデレート学習に基づく軽量かつプライバシー保護のボットネット検出フレームワークを提案する。 このアプローチにより、分散デバイスは生データを交換することなく、協力的にモデルをトレーニングできる。 ベンチマークIoTボットネットデータセットの実験は、このフレームワークが通信コストを大幅に削減しつつ高い検出精度を達成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T20:54:58Z)
• Cyber Attacks Detection, Prevention, and Source Localization in Digital Substation Communication using Hybrid Statistical-Deep Learning [39.58317527488534]
  本稿では, IEC 61850 SV インジェクション攻撃の検出, 防止, ソースローカライズのためのハイブリッド統計深度学習法を提案する。 悪質なSVフレームを最小の処理オーバーヘッドとレイテンシで事実上破棄し、通信ネットワークのレイテンシと時間同期の問題に対して堅牢性を維持する。 IEC 61850準拠のデジタル変電所における本手法の実用的展開適性を示す。
  論文  参考訳（メタデータ） (2025-07-01T07:38:22Z)
• Are Trees Really Green? A Detection Approach of IoT Malware Attacks [0.3749861135832073]
  Internet of Things(IoT)デバイスは、リソースの制約とセキュリティパッチの適用の難しさにより、依然として脆弱である。 本稿では,フローのプライバシ保存による統計的特徴に基づくIoTマルウェアネットワーク攻撃を識別するグリーン手法を提案する。
  論文  参考訳（メタデータ） (2025-06-09T15:01:04Z)
• Mutual Information Minimization for Side-Channel Attack Resistance via Optimal Noise Injection [33.634947490938366]
  サイドチャネル攻撃(SCA)は、物理的漏洩を通じて秘密鍵を抽出することで、システムセキュリティに深刻な脅威をもたらす。 ガウス入力を持つシステムにおける相互情報の最小化のための最適人工雑音注入法を提案する。
  論文  参考訳（メタデータ） (2025-04-29T08:57:21Z)
• Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
  従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。 本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。 局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
  論文  参考訳（メタデータ） (2025-02-14T23:11:51Z)
• Efficient Denial of Service Attack Detection in IoT using Kolmogorov-Arnold Networks [22.036794530902608]
  本稿では,KAN(Kolmogorov-Arnold Networks)に基づくDoS攻撃検出の新しい軽量アプローチを提案する。 Kanは、最小限のリソース要件を維持しながら、最先端の検知性能を達成する。 既存のソリューションと比較して、kanは競合検出率を維持しながら、メモリ要求を最大98%削減する。
  論文  参考訳（メタデータ） (2025-02-03T21:19:46Z)
• 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)
• Enhancing IoT Malware Detection through Adaptive Model Parallelism and Resource Optimization [0.6856683556201506]
  本研究では,IoTデバイスに適したマルウェア検出手法を提案する。 リソースの可用性、進行中のワークロード、通信コストに基づいて、マルウェア検出タスクはデバイス上で動的に割り当てられるか、隣接するIoTノードにオフロードされる。 実験結果から,本手法はデバイス上での推測に比べて9.8倍の高速化を実現していることがわかった。
  論文  参考訳（メタデータ） (2024-04-12T20:51:25Z)
• 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)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)

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。