論文の概要: Enhancing Autonomous Online Intrusion Detection for IoT with Balanced Learning, Reliable Pseudo-Labels, and Lightweight Architectures
- arxiv url: http://arxiv.org/abs/2605.26166v1
- Date: Sun, 24 May 2026 21:48:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.263026
- Title: Enhancing Autonomous Online Intrusion Detection for IoT with Balanced Learning, Reliable Pseudo-Labels, and Lightweight Architectures
- Title（参考訳）: バランス学習、信頼性の高い擬似ラベル、軽量アーキテクチャによるIoTの自律的オンライン侵入検出の強化
- Authors: Hanzala Afzaal, Danish Memon, Chouhdary Bilal Raza, Muhammad Khurram Shahzad,
- Abstract要約: 本稿では,IEEE INFOCOM 2024で発表された最先端の自律型オンラインIDSであるAOC-IDSについて検討する。
UNSW-NB15ベンチマークで最初にAOC-IDSを再現し、89.19%の精度で89.39%の精度を達成した。
次に、クラス不均衡、信頼できない擬似ラベル生成、限定的な一般化、IoTデプロイメントの計算オーバーヘッドの4つの重要な制限を特定します。
- 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 proliferation of Internet of Things (IoT) devices has created an urgent demand for adaptive, resource-efficient Intrusion Detection Systems (IDS) capable of handling dynamic and evolving cyber threats. This paper investigates AOC-IDS, a state-of-the-art autonomous online IDS published at IEEE INFOCOM 2024, which employs an Autoencoder (AE) with Cluster Repelling Contrastive (CRC) loss and an autonomous Gaussian-based decision module. We first successfully replicate AOC-IDS on the UNSW-NB15 benchmark, achieving 89.39% accuracy in close agreement with the published 89.19%. We then identify four key limitations: class imbalance, unreliable pseudo-label generation, limited generalization, and computational overhead for IoT deployment, and propose targeted improvements for each. Our XGBoost-BalSamp method achieves 95.45% accuracy on UNSW-NB15, a gain of 6.26% over the baseline. Our combined deep learning approach (PseudoFilter, MixupAug, and LiteAE) achieves a best-run accuracy of 90.88% (F1: 91.45%), surpassing the base paper while reducing model parameters by 55%.These results demonstrate that targeted improvements to AOC-IDS yield consistent accuracy gains while improving practical deployability on IoT edge devices.
- Abstract（参考訳）: モノのインターネット(IoT)デバイスの急速な普及は、動的で進化するサイバー脅威を扱うことができる適応的でリソース効率の高い侵入検知システム(IDS)に対する緊急の需要を生み出している。
本稿では、IEEE INFOCOM 2024で発表された最先端の自律型オンラインIDSであるAOC-IDSについて検討する。
UNSW-NB15ベンチマークで最初にAOC-IDSを再現し、89.19%の精度で89.39%の精度を達成した。
次に、クラス不均衡、信頼できない擬似ラベル生成、限定的な一般化、IoTデプロイメントの計算オーバーヘッドの4つの重要な制限を特定し、それぞれにターゲットの改善を提案する。
我々のXGBoost-BalSamp法はUNSW-NB15で95.45%の精度を実現し、ベースラインよりも6.26%向上した。
PseudoFilter, MixupAug, LiteAE) と組み合わせた深層学習手法は, モデルパラメータを55%減らしながら, ベースペーパーを上回り, 90.88%(F1: 91.45%)の最高の実行精度を実現する。
これらの結果は、AOC-IDSのターゲットとなる改善により、IoTエッジデバイスの実用的デプロイ性を改善しながら、一貫した精度の向上が得られることを示している。
関連論文リスト
- IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0 [0.8594140167290097]
本稿では、畳み込みニューラルネットワーク(CNN)を用いた付加製造(AM)表面の自動き裂検出のためのIoT強化ディープラーニングフレームワークを提案する。
リアルタイムデータ取得は、即時CNNベースの分析をサポートし、AM品質管理の精度と効率の両方を改善する。
精度は14,982枚で99.54%、精度は96%、リコールは98%、スコアは97%である。
論文 参考訳（メタデータ） (2026-04-22T14:09:50Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - An Optimized Decision Tree-Based Framework for Explainable IoT Anomaly Detection [1.2520011735093362]
モノのインターネット(IoT)デバイスの増加は、サイバー脅威の攻撃面を著しく増加させています。
本稿では、最適化された決定木分類器に基づく説明可能なAI(XAI)フレームワークを提案する。
提案システムは,99.91%の精度,99.51%のF1スコア,0.9960のコーエンカッパ,98.93%のクロスバリデーション平均精度で高い安定性が確認された。
論文 参考訳（メタデータ） (2026-01-18T08:48:53Z) - AI-Powered Hybrid Intrusion Detection Framework for Cloud Security Using Novel Metaheuristic Optimization [1.3318026799252651]
本研究では,Energy Valley (EVO) を用いたHybrid Intrusion Detection System (HyIDS) を提案する。
24回の試験が行われ、分類精度、精度、リコールの大幅な向上が明らかにされた。
これらのデータは、EVOがクラウドコンピューティング(CC)のサイバーセキュリティを著しく改善することを示している。
論文 参考訳（メタデータ） (2026-01-03T09:42:28Z) - FiCABU: A Fisher-Based, Context-Adaptive Machine Unlearning Processor for Edge AI [3.5177714872539894]
私たちは、エッジAIプロセッサにアンラーニングをもたらすソフトウェアハードウェアの共同設計であるFiCABU(Fisher-based Context-Adaptive Balanced Unlearning)を紹介します。
FiCABUは、(i)コンテキスト適応アンラーニング(Context-Adaptive Unlearning)と、(i)コンテキスト適応アンラーニング(Context-Adaptive Unlearning)を組み合わせる。
論文 参考訳（メタデータ） (2025-11-06T08:34:53Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z) - Scalable Reinforcement Post-Training Beyond Static Human Prompts: Evolving Alignment via Asymmetric Self-Play [52.3079697845254]
evaは、オフラインとオンラインのRLポストトレーニングの両方で、言語モデルがトレーニングプロンプトを適応的に作成できるようにする最初の方法である。
我々は,エバが有効なRLキュリキュラを作成でき,アブレーションにまたがって堅牢であることを示す。
論文 参考訳（メタデータ） (2024-10-31T08:15:32Z) - Efficient Federated Intrusion Detection in 5G ecosystem using optimized BERT-based model [0.7100520098029439]
5Gは高度なサービスを提供し、IoT(Internet of Things)内のインテリジェントトランスポート、コネクテッドヘルスケア、スマートシティなどのアプリケーションをサポートする。
これらの進歩は、ますます高度なサイバー攻撃を伴う、重大なセキュリティ上の課題をもたらす。
本稿では,連合学習と大規模言語モデル(LLM)を用いた頑健な侵入検知システム(IDS)を提案する。
論文 参考訳（メタデータ） (2024-09-28T15:56:28Z) - EdgeOL: Efficient in-situ Online Learning on Edge Devices [51.86178757050963]
予測精度、微調整実行時間、エネルギー効率を最適化するエッジオンライン学習フレームワークであるEdgeOLを提案する。
実験結果から、EdgeOLは、全体の微調整実行時間を64%削減し、エネルギー消費を52%削減し、オンラインの即時学習戦略よりも平均推定精度を1.75%向上させることがわかった。
論文 参考訳（メタデータ） (2024-01-30T02:41:05Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z)
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。