論文の概要: Continual Backdoor Training in IoT/CPS

• arxiv url: http://arxiv.org/abs/2606.14987v1
• Date: Fri, 12 Jun 2026 22:14:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.561775
• Title: Continual Backdoor Training in IoT/CPS
• Title（参考訳）: IoT/CPSにおける継続的バックドアトレーニング
• Authors: Oxana Salish, Kuniyilh S,
• Abstract要約: 本稿では,IoT/CPSシステムで使用される連続学習におけるバックドア攻撃について述べる。 我々の分析では、IoT/CPSと産業用IoT環境での生涯学習を確保する上で、重要なオープンな課題を強調しています。
• 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: Internet of Things (IoT) and Cyber-physical systems (CPS) increasingly rely on continual learning (CL) to adapt to evolving environments, device heterogeneity, and concept drift, thereby improving overall utility. While continual adaptation is essential for long-lived IoT deployments where data patterns evolve, it also introduces new security vulnerabilities. In particular, backdoor attacks can exploit incremental updates, replay buffers, and representation reuse to implant persistent malicious behaviors that remain dormant during normal operation but activate upon specific triggers. In this paper, we present a backdoor attack in continual learning used in IoT/CPS systems. To this end, we formalize an IoT/CPS-specific threat model, analyze why continual learning amplifies backdoor persistence in IoT pipelines, and evaluate our technique under varying conditions. Our analysis highlights critical open challenges in securing lifelong learning in IoT/CPS and industrial IoT (IIoT) environments, as well as the need for heightened security controls.
• Abstract（参考訳）: IoT(Internet of Things)とサイバー物理システム(CPS)は、進化する環境、デバイスの不均一性、コンセプトドリフトに適応するため、継続学習(CL)にますます依存している。 データパターンが進化する長期的なIoTデプロイメントには、継続的適応が不可欠だが、新たなセキュリティ脆弱性も導入されている。 特に、バックドア攻撃は、インクリメンタルな更新、バッファの再生、表現再利用を利用して、通常の操作中に休眠状態にあるが特定のトリガを起動する永続的な悪意のある振る舞いを埋め込むことができる。 本稿では,IoT/CPSシステムにおける連続学習におけるバックドア攻撃について述べる。 この目的のために、IoT/CPS固有の脅威モデルを形式化し、連続学習がIoTパイプラインのバックドア永続化を増幅する理由を分析し、さまざまな条件下で我々の技術を評価する。 我々の分析では、IoT/CPSと産業用IoT(IIoT)環境における生涯学習の確保における重要なオープンな課題と、セキュリティコントロールの強化の必要性を強調しています。

関連論文リスト

• Impact of Intelligent Technologies on IoV Security: Integrating Edge Computing and AI [43.101093203101776]
  本稿では、IoVセキュリティフレームワークの強化におけるエッジコンピューティング(EC)、機械学習(ML)、ディープラーニング(DL)の役割について調査する。 これらの技術間の相乗効果を調べ、脅威検出、応答時間、適応セキュリティの強化に対する個々の能力とそれらの集団的影響を強調します。 この論文は、IoVセキュリティのさらなる進歩に向けた重要な研究ギャップと今後の方向性を明らかにし、スケーラブルでプライバシー保護のソリューションの必要性や、新たなサイバー脅威に対する堅牢な防御メカニズムの必要性も挙げている。
  論文  参考訳（メタデータ） (2026-04-11T06:25:38Z)
• Backdoor Attacks on Contrastive Continual Learning for IoT Systems [0.0]
  モノのインターネット(IoT)システムは、非定常環境に適応するための継続的な学習にますます依存している。 コントラスト的連続学習(Contrastive Continuousal Learning, CCL)は、コントラスト的表現学習と漸進的適応を組み合わせ、ロバストな特徴再利用を可能にする。 バックドア攻撃は、埋め込みアライメントとリプレイ強化を利用して、永続的な悪意のある振る舞いを埋め込むことができる。
  論文  参考訳（メタデータ） (2026-02-13T16:17:25Z)
• Contrastive Continual Learning for Model Adaptability in Internet of Things [0.0]
  IoT(Internet of Things)デプロイメントは、センサドリフトなどの要因がアプリケーションユーティリティに影響を与えるような、非定常な動的環境で動作する。 連続学習(CL)は、破滅的な忘れをせずにモデルに時間をかけて適応することでこの問題に対処する。 コントラスト学習は、自己管理的な方法で堅牢性とサンプル効率を改善する強力な表現学習パラダイムとして登場した。
  論文  参考訳（メタデータ） (2026-02-04T18:59:14Z)
• Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
  本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。 当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。 この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
  論文  参考訳（メタデータ） (2025-04-22T09:40:05Z)
• Application of Deep Reinforcement Learning for Intrusion Detection in Internet of Things: A Systematic Review [0.0]
  IoT(Internet of Things)は、前例のない一連のデバイスを相互接続することで、デジタルランドスケープを大幅に拡大した。 従来の侵入検知システム(IDS)は、IoTネットワークの動的で進化する性質と脅威パターンに対応するのに苦労している。 この体系的なレビューでは、IoT設定におけるIDSを強化するために、Deep Reinforcement Learning(DRL)の適用について検討する。
  論文  参考訳（メタデータ） (2025-04-20T00:55:58Z)
• Predicting IoT Device Vulnerability Fix Times with Survival and Failure Time Models [1.934036432603761]
  多くのIoTデバイスは、最小限のセキュリティ対策で市場にリリースされており、デバイス毎の平均25の脆弱性を抱えることが多い。 我々は、脆弱性のあるIoTデバイスが修正やパッチを受けるのに要する時間を予測する革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-05T12:26:01Z)
• 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)
• Classification of cyber attacks on IoT and ubiquitous computing devices [49.1574468325115]
  本稿ではIoTマルウェアの分類について述べる。 攻撃の主要なターゲットと使用済みのエクスプロイトが特定され、特定のマルウェアを参照される。 現在のIoT攻撃の大部分は、相容れない低い労力と高度なレベルであり、既存の技術的措置によって緩和される可能性がある。
  論文  参考訳（メタデータ） (2023-12-01T16:10:43Z)
• Autonomous Maintenance in IoT Networks via AoI-driven Deep Reinforcement Learning [73.85267769520715]
  IoT(Internet of Things)は、デプロイされるデバイスやアプリケーションの数の増加とともに、ネットワークのメンテナンス手順に大きな課題をもたらしている。 部分観測可能なマルコフ決定プロセスとして,IoTネットワークにおける自律的メンテナンスの問題を定式化する。 深層強化学習アルゴリズム (drl) を用いて, 保守手順が整っているか否かを判断するエージェントを訓練し, 前者の場合, 適切なメンテナンス方法が必要となる。
  論文  参考訳（メタデータ） (2020-12-31T11:19:51Z)
• IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
  この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。 我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。 99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
  論文  参考訳（メタデータ） (2020-01-28T23:13:12Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。