論文の概要: Cognitive Threat Intelligence and Explainable Federated Security Analytics for distributed Infrastructure Systems
- arxiv url: http://arxiv.org/abs/2606.05701v1
- Date: Thu, 04 Jun 2026 04:41:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.562182
- Title: Cognitive Threat Intelligence and Explainable Federated Security Analytics for distributed Infrastructure Systems
- Title（参考訳）: 分散インフラストラクチャシステムのための認知的脅威情報と説明可能なフェデレーションセキュリティ分析
- Authors: Md. Arifur Rahman, B. M. Taslimul Haque, Md. Iqbal Hossan, Md. Serajul Kabir Chowdhury Rubel,
- Abstract要約: 本研究では,分散インフラストラクチャシステムを対象とした認知脅威情報と説明可能なフェデレートセキュリティ分析フレームワークを提案する。
提案するフレームワークは、フェデレートラーニング(FL)、説明可能な人工知能(XAI)、認知サイバーセキュリティ分析を統合し、協調的かつプライバシー保護のサイバー脅威検出を可能にする。
インテリジェントな脅威分析を強化するため、フレームワークにはRandom Forest、XGBoost、Autoencoderといった機械学習とディープラーニングアルゴリズムが組み込まれている。
- 参考スコア（独自算出の注目度）: 0.8496907566303933
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The increasing adoption of distributed infrastructure systems, cloud computing, Internet of Things (IoT) technologies, and edge-based architectures has significantly expanded the cybersecurity attack surface and introduced increasingly sophisticated cyber threats. Conventional centralized intrusion detection approaches often face challenges related to scalability, data privacy, communication overhead, and limited transparency in artificial intelligence-driven decision-making processes. To address these limitations, this study proposes a Cognitive Threat Intelligence and Explainable Federated Security Analytics framework for distributed infrastructure systems. The proposed framework integrates Federated Learning (FL), Explainable Artificial Intelligence (XAI), and cognitive cybersecurity analytics to enable collaborative and privacy-preserving cyber threat detection across distributed network environments. Instead of transmitting sensitive raw network traffic data to centralized servers, local security models are independently trained at distributed nodes, where only encrypted model parameters and updates are shared through a federated aggregation mechanism. This decentralized learning architecture improves privacy protection while reducing communication dependency and centralized security risks. To enhance intelligent threat analysis, the framework incorporates machine learning and deep learning algorithms including Random Forest, XGBoost, Autoencoder
- Abstract（参考訳）: 分散インフラストラクチャシステム、クラウドコンピューティング、IoT(Internet of Things)テクノロジ、エッジベースのアーキテクチャの採用の増加により、サイバーセキュリティ攻撃面が大幅に拡大し、ますます高度なサイバー脅威が導入されている。
従来型の集中侵入検出アプローチは、スケーラビリティ、データプライバシ、通信オーバーヘッド、人工知能駆動意思決定プロセスにおける限られた透明性に関連する課題に直面することが多い。
これらの制約に対処するために,分散インフラストラクチャシステムのための認知脅威情報と説明可能なフェデレートセキュリティ分析フレームワークを提案する。
提案するフレームワークは、フェデレートラーニング(FL)、説明可能な人工知能(XAI)、認知サイバーセキュリティ分析を統合し、分散ネットワーク環境間の協調的およびプライバシ保護サイバー脅威検出を可能にする。
機密性の高い生のトラフィックデータを集中型サーバに送信する代わりに、ローカルセキュリティモデルは分散ノードで独立して訓練される。
この分散学習アーキテクチャは、通信依存性と集中型セキュリティリスクを低減しつつ、プライバシ保護を改善する。
このフレームワークは、インテリジェントな脅威分析を強化するために、ランダムフォレスト、XGBoost、オートエンコーダなどの機械学習とディープラーニングアルゴリズムを組み込んだ。
関連論文リスト
- Explainable AI-Driven Cyber Risk Analytics and Model Reliability Assessment for Intelligent Governance of U.S. Critical Infrastructure: An XGBoost and SHAP-Based Intrusion Detection Framework [0.8496907566303933]
本研究は、侵入検知システムモデルの開発とテストのためのCICIDS 2017データセットと、機械学習に基づくサイバーリスク予測モデルに基づく。
提案フレームワークは,精度,精度,リコール,F1スコア,ROC-AUC,偽陽性率など,さまざまなパフォーマンス指標を持つことにより,モデルの信頼性とレジリエンスを示す。
論文 参考訳（メタデータ） (2026-06-04T05:05:14Z) - Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework [45.88028371034407]
本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。
モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。
その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。
論文 参考訳（メタデータ） (2026-05-10T00:22:11Z) - Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap [6.178815764761489]
モノのインターネット(Internet of Things)の急速な普及により、堅牢なプライバシー保護機械学習メカニズムへの需要が高まっている。
この調査では、プライバシ保護機械学習のIoT中心、クロスパラダイム分析を包括的に紹介する。
論文 参考訳（メタデータ） (2026-03-13T20:19:18Z) - Secure Semantic Communications via AI Defenses: Fundamentals, Solutions, and Future Directions [44.71660423560587]
このサーベイは、AIディフェンスを通じてSemComのセキュリティの防衛中心でシステム指向の合成を提供する。
本稿ではセムコムシステムにおいて意味的整合性を損なうことができる防衛戦略の構造的分類について述べる。
また、セマンティックフィリティ、堅牢性、レイテンシ、エネルギのトレードオフをキャプチャするセキュリティユーティリティオペレーティングエンベロープについても検討する。
論文 参考訳（メタデータ） (2026-02-25T17:28:07Z) - Adaptive Cybersecurity Architecture for Digital Product Ecosystems Using Agentic AI [0.0]
本研究では,動的学習と文脈認識型意思決定が可能な自律目標駆動エージェントを提案する。
行動ベースライン、分散リスクスコア、フェデレーションされた脅威情報共有は重要な特徴である。
このアーキテクチャは、複雑なデジタルインフラストラクチャを保護するインテリジェントでスケーラブルな青写真を提供する。
論文 参考訳（メタデータ） (2025-09-25T00:43:53Z) - A Survey on Cloud-Edge-Terminal Collaborative Intelligence in AIoT Networks [49.90474228895655]
クラウドエッジ端末協調インテリジェンス(CETCI)は、モノの人工知能(AIoT)コミュニティにおける基本的なパラダイムである。
CETCIは、分離されたレイヤ最適化からデプロイ可能なコラボレーティブインテリジェンスシステムに移行する、新興のAIoTアプリケーションで大きな進歩を遂げた。
本調査では、基礎アーキテクチャ、CETCIパラダイムのテクノロジの実現、シナリオについて解説し、CISAIOT初心者向けのチュートリアルスタイルのレビューを提供する。
論文 参考訳（メタデータ） (2025-08-26T08:38:01Z) - Towards Safety and Security Testing of Cyberphysical Power Systems by Shape Validation [42.350737545269105]
サイバー物理パワーシステムの複雑さは 攻撃面を大きくし 悪質なアクターに悪用される
我々は,これらのリスクを,サイバーパワーシステムを記述する宣言的アプローチで満たし,セキュリティと安全性の制御を自動的に評価することを提案する。
論文 参考訳（メタデータ） (2025-06-14T12:07:44Z) - Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。
ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
論文 参考訳（メタデータ） (2025-05-26T06:44:31Z) - 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)
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。