Fugu-MT 論文翻訳(概要): Rethinking IoT Intrusion Detection: Augmenting Routing Metrics with Radio Features

論文の概要: Rethinking IoT Intrusion Detection: Augmenting Routing Metrics with Radio Features

arxiv url: http://arxiv.org/abs/2606.07282v1
Date: Fri, 05 Jun 2026 13:56:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-08 14:33:29.764403
Title: Rethinking IoT Intrusion Detection: Augmenting Routing Metrics with Radio Features
Title（参考訳）: IoT侵入検出を再考する - 無線機能付きルーティングメトリックの強化
Authors: Yichang Sun, Andreas Johnsson, Sourasekhar Banerjee,
Abstract要約: 我々は,標準RPL機能セットにTransmit(TX)とRecee(RX)の無線機能を組み込むことで,LSTMベースのIDSにおける検出性能が向上するかどうかを検討する。その結果、TXとRXを組み込むことで、ルーティング層のみを使用する場合と比較して、F1スコアでのIDS全体の検出性能が最大4%向上することがわかった。
参考スコア（独自算出の注目度）: 0.9176056742068813
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning-based intrusion detection systems (IDS) for RPL-based IoT networks often rely solely on routing layer features, which provide only a partial view of network behaviour. In this work, we investigate whether incorporating Transmit (TX) and Receive (RX) radio features alongside the standard RPL feature set can improve detection performance in an LSTM-based IDS. We evaluate the proposed approach across three different attack types, namely DIS-Flooding, Local Repair, and Worst Parent under varying network sizes. The results show that incorporating TX and RX improves the IDS's overall detection performance by up to ~4% in F1-score compared with using routing-layer features alone, with the most notable gain observed for the Worst Parent attack.
Abstract（参考訳）: RPLベースのIoTネットワークのための機械学習ベースの侵入検知システム(IDS)は、ルーティング層機能にのみ依存することが多く、ネットワークの振る舞いを部分的に見るだけを提供する。本研究では、標準RPL機能セットにTransmit(TX)とReceree(RX)の無線機能を組み込むことで、LSTMベースのIDSにおける検出性能が向上するかどうかを検討する。提案手法は,ネットワークサイズの違いにより,Dis-Flooding,Local repair,Worst Parentの3種類の攻撃タイプにまたがって評価される。その結果、TXとRXを組み込むことで、F1スコアでIDSの全体的な検出性能が最大4%向上し、ルーティング層のみを使用する場合と比較して、最も顕著な利得が得られた。

関連論文リスト

DAST: A VLM-LLM Framework for Cross-Interface Anomaly Detection in O-RAN [1.5602074555504262]
O-RANは、標準化されたオープンインターフェースを介して通信するプログラマブル関数を備えた、分離されたベースバンドスタックを可能にする。 DASTはO-RANにおけるクロスインタフェース異常検出のためのゼロショットマルチエージェントフレームワークである。我々は,O-RANテストベッドから収集した実ネットワークトレースに対して,代表的性能劣化シナリオ下でDASTを評価する。
論文参考訳（メタデータ） (2026-06-04T15:05:04Z)
LRD-Net: A Lightweight Real-Centered Detection Network for Cross-Domain Face Forgery Detection [5.455290019410609]
両課題を同時に解決する新しいフレームワークであるRD-Net(Lightweight Real-centered Detection Network)を提案する。 LRD-Netは、軽量なマルチスケールウェーブレット誘導モジュールがMobileNetV3ベースの空間バックボーンを条件としたアテンション信号を生成するシーケンシャル周波数誘導アーキテクチャを採用している。 DiFFベンチマークの実験は、RDD-Netが最先端のクロスドメイン検出精度を達成し、既存の手法を一貫して上回ることを示した。
論文参考訳（メタデータ） (2026-04-13T00:04:31Z)
Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文参考訳（メタデータ） (2026-02-04T15:25:02Z)
SDCoNet: Saliency-Driven Multi-Task Collaborative Network for Remote Sensing Object Detection [7.016133328153285]
リモートセンシング画像では、複雑な背景、弱い物体信号、小さな物体スケールが特に正確な検出を困難にしている。一般的な戦略は、検出前に単一画像の超解像(SR)を統合することである。 SRと検出を暗黙的特徴共有によって結合するSDCoNet(Saliency-Driven Multi-task Collaborative Network)を提案する。
論文参考訳（メタデータ） (2026-01-18T17:36:48Z)
PathFinder: Advancing Path Loss Prediction for Single-to-Multi-Transmitter Scenario [60.906711761476735]
PathFinderは、アンタングル化された特徴符号化を通じて建物や送信機を積極的にモデル化する新しいアーキテクチャである。テストでは、PathFinderは最先端のメソッド、特に挑戦的なマルチトランスミッタシナリオにおいて、大幅にパフォーマンスが向上している。
論文参考訳（メタデータ） (2025-12-16T07:15:15Z)
Beyond Static Thresholds: Adaptive RRC Signaling Storm Detection with Extreme Value Theory [0.8877220164547092]
5G以降のネットワークでは、ユーザ機器(UE)と基地局(gNodeBまたはgNB)間の無線通信は、ネットワークアクセスと接続の重要なコンポーネントである。これらの攻撃は、1つ以上のUEがgNBに多数の接続要求を送信すると発生し、新しいUEが接続を確立するのを防ぐ。極値理論(EVT)に基づく適応しきい値に基づく検出システムを提案する。
論文参考訳（メタデータ） (2025-11-03T09:42:12Z)
Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文参考訳（メタデータ） (2025-10-13T07:35:04Z)
Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
論文参考訳（メタデータ） (2025-09-15T15:24:49Z)
Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems [1.1265248232450553]
本稿では,生パケット列上の一般化可能な侵入検出のための自己教師付きコントラスト学習手法を提案する。本フレームワークは,既存のNetFlow自己管理手法と比較して,優れた性能を示す。我々のモデルは,ラベル付き限られたデータを用いた教師付き侵入検知のための強力なベースラインを提供する。
論文参考訳（メタデータ） (2025-05-12T13:42:00Z)
Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
論文参考訳（メタデータ） (2024-09-09T13:56:22Z)
Self-Challenging Improves Cross-Domain Generalization [81.99554996975372]
畳み込みニューラルネットワーク(CNN)は、ラベルと相関する支配的特徴を活性化することにより、画像分類を行う。ドメイン外データに対するCNNの一般化を著しく改善する簡単なトレーニングである自己整合表現(RSC)を導入する。 RSCはトレーニングデータ上で活性化される主要な機能に対して反復的に挑戦し、ラベルと相関する残りの機能を有効にするようネットワークに強制する。
論文参考訳（メタデータ） (2020-07-05T21:42:26Z)

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。