論文の概要: Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning

• arxiv url: http://arxiv.org/abs/2606.10323v1
• Date: Tue, 09 Jun 2026 02:18:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:37.982522
• Title: Semantic Multi-Agent Intrusion Detection for IoT:Zero-Day and Adversarial Threats with Risk-Aware Reasoning
• Title（参考訳）: IoTのセマンティックマルチエージェント侵入検出:リスク認識推論によるゼロデイと敵の脅威
• Authors: Saeid Jamshidi,
• Abstract要約: Internet of Things(IoT)デバイスは、ゼロデイや敵の侵入を含む高度なサイバー脅威にネットワークを公開している。 従来の侵入検知システム(IDS)は、目に見えない攻撃を一般化するのに苦労し、しばしばかなりの計算資源を必要とし、解釈性に欠ける。 ディープラーニング(DL)、オープンセット検出、Large Language Model(LLM)ベースのセマンティック推論などの最近の進歩は、これらの課題のいくつかに対処するが、典型的にはゼロデイと敵対的な脅威に焦点を当てる。 我々は4つの特殊エージェント(例えば、Scout, Mutator, Auditor, Arbiter)を統合する意味的マルチエージェントIDを提案する。
• 参考スコア（独自算出の注目度）: 0.5076419064097734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of Internet of Things (IoT) devices has enabled unprecedented automation and connectivity, but it has also substantially increased the attack surface, exposing networks to sophisticated cyber threats, including zero-day and adversarial intrusions. Traditional Intrusion Detection Systems (IDS) struggle to generalize to unseen attacks, often require substantial computational resources, and lack interpretability, particularly in resource-constrained and heterogeneous IoT networks. Recent advances, including Deep Learning (DL), open-set detection, and Large Language Model (LLM)-based semantic reasoning, address some of these challenges but typically focus on zero-day and adversarial threats and rarely combine semantic reasoning with multi-agent systems. To overcome these limitations, we propose a semantic multi-agent ID that integrates four specialized agents (e.g., Scout, Mutator, Auditor, and Arbiter) that leverage semantic embeddings and multi-stage probabilistic decision fusion. The Scout induces structured hypotheses from semantic embeddings; the Mutator generates adversarially constrained variants; the Auditor evaluates consistency and filters unreliable outputs; and the Arbiter produces interpretable, risk-aware alerts. Extensive experiments across multiple real-world IoT datasets demonstrate that the proposed system achieves 95.9% overall detection accuracy, reduces false-positive rates to 6.8%, improves zero-day detection to 87.9%, and maintains computational efficiency suitable for edge deployment.
• 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により、前例のない自動化と接続が可能になったが、攻撃面を大幅に増加させ、ゼロデイや敵の侵入を含む高度なサイバー脅威にネットワークを露出させた。 従来の侵入検知システム(IDS)は、目に見えない攻撃を一般化するのに苦労し、しばしば相当な計算資源を必要とし、特にリソースに制約のある異種IoTネットワークにおいて、解釈可能性に欠ける。 ディープラーニング(DL)、オープンセット検出、Large Language Model(LLM)ベースのセマンティック推論などの最近の進歩は、これらの課題のいくつかに対処しているが、典型的にはゼロデイと敵対的な脅威に焦点を当て、セマンティック推論とマルチエージェントシステムを組み合わせることはめったにない。 これらの制約を克服するために,意味的埋め込みと多段階確率的決定融合を利用する4つの特殊エージェント(例えば,Scout,Mutator,Auditor,Arbiter)を統合する意味的マルチエージェントIDを提案する。 Scoutはセマンティック埋め込みから構造化仮説を導き、Mutatorは逆向きに制約された変種を生成し、Auditorは一貫性を評価し、信頼できない出力をフィルタリングし、Arbiterは解釈可能でリスク対応の警告を生成する。 複数の実世界のIoTデータセットにわたる大規模な実験では、提案システムは全体的な検出精度95.9%、偽陽性率6.8%、ゼロデイ検出87.9%、エッジデプロイメントに適した計算効率を維持している。

関連論文リスト

• DecodingTrust-Agent Platform (DTap): A Controllable and Interactive Red-Teaming Platform for AI Agents [121.77550256034]
  DecodingTrust-Agent Platform (DTap)は、AIエージェントのためのコントロール可能でインタラクティブなレッドチームプラットフォームである。 DTap-Redは、多様なインジェクションベクターを探索し、効果的な攻撃戦略を自律的に発見する、最初の自律的赤チームエージェントである。 DTapを通じて、さまざまなバックボーンモデル上に構築された一般的なAIエージェントの大規模評価を行う。
  論文  参考訳（メタデータ） (2026-05-06T11:59:48Z)
• MA-IDS: Multi-Agent RAG Framework for IoT Network Intrusion Detection with an Experience Library [0.0]
  推論駆動型侵入検出のための大規模言語モデルと検索拡張生成を組み合わせたマルチエージェント侵入検出システムMA-IDSを提案する。 NF-BoT-IoTとNF-ToN-IoTベンチマークデータセットの評価。 結果はSVMと競合し、すべての分類決定に対してルールレベルの説明を提供する。
  論文  参考訳（メタデータ） (2026-04-07T05:41:10Z)
• 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)
• Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
  低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。 従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。 LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-25T12:47:25Z)
• Decentralized Multi-Agent Swarms for Autonomous Grid Security in Industrial IoT: A Consensus-based Approach [0.0]
  DMASエージェントは軽量なピアツーピアプロトコルを介して通信し、異常な振る舞いを協調的に検出する。 エージェントは特定された脅威の脅威レベルに投票し、妥協されたノードやノードの即時隔離を可能にする。 DMASは、ミリ秒以下の応答時間、高負荷下で悪意のある活動を検出する精度97.3%、ゼロデイ攻撃を検出する精度87%を示した。
  論文  参考訳（メタデータ） (2026-01-24T04:25:36Z)
• Enhancing Adversarial Robustness of IoT Intrusion Detection via SHAP-Based Attribution Fingerprinting [5.35811141279537]
  敵攻撃に対するIoT IDSの堅牢性を高める新しい敵検出モデルを提案する。 我々は、ネットワークトラフィックの特徴から属性指紋を抽出し、IDSがクリーン入力と逆入力を確実に区別できるようにする。 我々は、標準的なIoTベンチマークデータセットでモデルを評価し、敵の攻撃を検出する最先端の手法を著しく上回った。
  論文  参考訳（メタデータ） (2025-11-09T02:56:54Z)
• CITADEL: Continual Anomaly Detection for Enhanced Learning in IoT Intrusion Detection [9.92596575679496]
  IoT(Internet of Things)は、幅広いサイバー脅威に対して脆弱である。 侵入検知システム(IDS)はIoTセキュリティを強化するために広く研究されている。 我々は、良性データから堅牢な表現を抽出する自己教師付き連続学習フレームワークCITADELを提案する。
  論文  参考訳（メタデータ） (2025-08-26T21:55:26Z)
• Hybrid LLM-Enhanced Intrusion Detection for Zero-Day Threats in IoT Networks [6.087274577167399]
  本稿では,GPT-2大言語モデル(LLM)の文脈理解機能と従来のシグネチャベース手法を統合した侵入検出手法を提案する。 本稿では,GPT-2による意味解析の適応性とシグネチャベースの手法の堅牢性を融合したハイブリッドIDSフレームワークを提案する。 代表的な侵入データセットを用いた実験により, 検出精度を6.3%向上し, 偽陽性率を9.0%低減し, ほぼリアルタイム応答性を維持した。
  論文  参考訳（メタデータ） (2025-07-10T04:10:03Z)
• SafeMobile: Chain-level Jailbreak Detection and Automated Evaluation for Multimodal Mobile Agents [58.21223208538351]
  本研究は,モバイルマルチモーダルエージェントを取り巻くセキュリティ問題について考察する。 行動シーケンス情報を組み込んだリスク識別機構の構築を試みる。 また、大規模言語モデルに基づく自動アセスメントスキームも設計している。
  論文  参考訳（メタデータ） (2025-07-01T15:10:00Z)
• 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)
• Multi-Expert Adversarial Attack Detection in Person Re-identification Using Context Inconsistency [47.719533482898306]
  本稿では,個人再識別(ReID)システムに対する悪意のある攻撃を検知するための,Multi-Expert Adversarial Detection(MEAAD)アプローチを提案する。 ReIDに対する最初の敵攻撃検出アプローチとして、MEAADは様々な敵攻撃を効果的に検出し、高いROC-AUC(97.5%以上)を達成する。
  論文  参考訳（メタデータ） (2021-08-23T01:59:09Z)

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。