論文の概要: SwarmSense-DNN: A Trustworthy and Decentralized Neural Framework for Proactive Anomaly Defense in Consumer IoT
- arxiv url: http://arxiv.org/abs/2606.11803v1
- Date: Wed, 10 Jun 2026 08:35:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 14:37:06.93527
- Title: SwarmSense-DNN: A Trustworthy and Decentralized Neural Framework for Proactive Anomaly Defense in Consumer IoT
- Title（参考訳）: SwarmSense-DNN - コンシューマIoTにおける前向きな異常防御のための信頼できる分散型ニューラルネットワークフレームワーク
- Authors: Jing Yang, Vijay Govindarajan, Saad Arif, Xu Xu, Mohamed Kallel, Zaffar Ahmed Shaikh, Zhe Liu, Chunhong Yuan, Lip Yee Por,
- Abstract要約: 我々はSwarmSense-DNNを提案する。これはSwarmインテリジェンスを利用して、安全で協調的な異常検出を行う新しい分散ニューラルネットワークフレームワークである。
5つのベンチマークデータセットの平均検出精度は95.44%で、通信オーバーヘッドを67%削減している。
異なるプライバシ保護を通じて敵の脅威に対する堅牢なレジリエンスを維持し、ノード障害とAI対応の攻撃下での強いフォールトトレランスを示す。
- 参考スコア（独自算出の注目度）: 8.141383499209903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid growth of consumer IoT devices has introduced unprecedented challenges in trustworthy anomaly detection against AI-enabled cyber threats, requiring real-time, privacy-preserving, and scalable defense mechanisms. Traditional centralized strategies face critical limitations, including communication bottlenecks, single points of failure, and privacy vulnerabilities when processing distributed consumer data. We propose SwarmSense-DNN, a novel decentralized neural framework employing swarm intelligence for secure, cooperative anomaly detection across distributed IoT environments. The framework integrates autonomous agents with deep neural networks to form a self-organizing defense system that detects evolving anomalies without centralized coordination. It utilizes hierarchical federated learning with graph neural networks and attention mechanisms to capture local and global anomaly behaviors while ensuring data privacy. Extensive experiments demonstrate SwarmSense-DNN's superior performance: it achieves 95.44% average detection accuracy across five benchmark datasets while reducing communication overhead by 67%. The framework maintains robust resilience against adversarial threats through differential privacy safeguards and demonstrates strong fault tolerance under node failures and AI-enabled attacks.
- Abstract（参考訳）: コンシューマIoTデバイスの急速な成長は、AI対応のサイバー脅威に対する信頼性の高い異常検出、リアルタイム、プライバシ保護、スケーラブルな防御メカニズムといった、前例のない課題をもたらしている。
従来の集中型戦略では、通信ボトルネック、単一障害点、分散コンシューマデータ処理時のプライバシ脆弱性など、重要な制限に直面している。
我々はSwarmSense-DNNを提案する。Swarmインテリジェンスを用いた分散IoT環境におけるセキュアで協調的な異常検出のための分散ニューラルネットワークフレームワークである。
このフレームワークは、自律エージェントとディープニューラルネットワークを統合して、集中的な調整なしに進化する異常を検出する、自己組織化された防衛システムを形成する。
グラフニューラルネットワークによる階層的なフェデレーション学習とアテンションメカニズムを使用して、データのプライバシを確保しながら、ローカルおよびグローバルな異常動作をキャプチャする。
SwarmSense-DNNは5つのベンチマークデータセットの平均検出精度を95.44%達成し、通信オーバーヘッドを67%削減している。
このフレームワークは、異なるプライバシ保護を通じて敵の脅威に対する堅牢なレジリエンスを維持し、ノード障害とAI対応の攻撃下での強いフォールトトレランスを示す。
関連論文リスト
- Empowering IoT Security: On-Device Intrusion Detection in Resource Constrained Devices [2.6579369175321155]
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。
論文 参考訳（メタデータ） (2026-05-13T08:23:17Z) - A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。
DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。
本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-23T16:12:02Z) - Verifying DNN-based Semantic Communication Against Generative Adversarial Noise [7.477547166922622]
SemComシステムに対する敵対的な攻撃は破滅的な失敗を引き起こす可能性がある。
数学的堅牢性を保証するニューラルネットワーク検証フレームワークであるVSCANを提案する。
VSCANは脆弱性発見時に攻撃手法と一致している。
論文 参考訳（メタデータ） (2026-02-09T15:40:13Z) - SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks [0.7724583352717439]
我々は,IoTネットワークの侵入検出に適した,包括的で堅牢なプライバシー保護フェデレーション学習(FL)フレームワークを提案する。
SecureDyn-FLは、FLベースのIDSで複数のセキュリティディメンションを同時に扱うように設計されている。
SecureDyn-FL は最先端の FL ベースの IDS 防御よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2026-01-10T07:23:49Z) - Multi-Agent-Driven Cognitive Secure Communications in Satellite-Terrestrial Networks [58.70163955407538]
悪意のある盗聴者は衛星地上ネットワーク(STN)を介して個人情報に深刻な脅威をもたらす
リアルタイムセンシングによりスペクトルスケジューリングと保護を協調する複数のエージェントによって駆動される認知セキュア通信フレームワークを提案する。
我々は、生成した対向ネットワークを利用して対向行列を生成し、学習支援電力制御を用いて、実及び対向信号のパワーを保護層に設定する。
論文 参考訳（メタデータ） (2026-01-06T10:30:41Z) - 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) - Privacy-Aware Cyberterrorism Network Analysis using Graph Neural Networks and Federated Learning [0.0]
サイバーテロはデジタルインフラに深刻な脅威をもたらす。
プライバシ対応フェデレーショングラフニューラルネットワークフレームワークを提案する。
GNNは、ユーティリティ、プライバシ、堅牢性を損なうことなく、大規模なサイバー脅威検出をサポートすることができる。
論文 参考訳（メタデータ） (2025-05-22T08:26:09Z) - TeD-SPAD: Temporal Distinctiveness for Self-supervised
Privacy-preservation for video Anomaly Detection [59.04634695294402]
人間の監視のないビデオ異常検出(VAD)は複雑なコンピュータビジョンタスクである。
VADのプライバシー漏洩により、モデルは人々の個人情報に関連する不必要なバイアスを拾い上げ、増幅することができる。
本稿では,視覚的プライベート情報を自己管理的に破壊する,プライバシーに配慮したビデオ異常検出フレームワークTeD-SPADを提案する。
論文 参考訳（メタデータ） (2023-08-21T22:42:55Z) - 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) - Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。
異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。
Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
論文 参考訳（メタデータ） (2020-06-18T14:50:08Z)
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。