論文の概要: Accelerating Trust Convergence in IIoT: A ML Approach for Dynamic Network Conditions

• arxiv url: http://arxiv.org/abs/2606.20214v1
• Date: Thu, 18 Jun 2026 13:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.878157
• Title: Accelerating Trust Convergence in IIoT: A ML Approach for Dynamic Network Conditions
• Title（参考訳）: IIoTにおける信頼収束の加速: 動的ネットワーク条件に対するMLアプローチ
• Authors: Aymen Bouferroum, Valeria Loscri, Abderrahim Benslimane,
• Abstract要約: 本稿では,TCA(Trust Convergence Acceleration)アプローチとして知られる動的信頼管理ソリューションを提案する。 本モデルは,主要なネットワーク指標に基づいて,信頼収束に必要な時間単位数を予測する。 我々は, 課題条件下での信頼収束時間を最大28.6%削減する, TCAベースのアプローチの有効性を実証する。
• 参考スコア（独自算出の注目度）: 5.9556977806856155
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In Industrial Internet of Things (IIoT) environments, trust management plays a vital role in securing systems, especially when dealing with resource-constrained devices. Traditional trust models often overlook the impact of fluctuating network quality, leading to slower trust convergence and inaccurate assessments. In this paper, we propose a dynamic trust management solution, known as the Trust Convergence Acceleration (TCA) approach, which integrates Machine Learning (ML) to accelerate trust convergence under poor network conditions. Our model predicts the number of time units needed for trust convergence based on key network metrics and dynamically adapts transition probabilities in the trust model to enhance convergence speed. Using a simulation framework that incorporates realistic Wi-Fi channel conditions based on the IEEE 802.11 standard, we demonstrate the effectiveness of the TCA-based approach, achieving up to a 28.6% reduction in trust convergence time under challenging conditions. Furthermore, the proposed solution exhibits resilience in scenarios involving malicious nodes, improving trust evaluation accuracy. This work provides a scalable and adaptive trust framework for IIoT systems in dynamic industrial environments, ensuring robust performance under varying network conditions.
• Abstract（参考訳）: 産業用IoT(Industrial Internet of Things)環境では、特にリソース制約のあるデバイスを扱う場合、信頼管理はシステムを保護する上で重要な役割を果たす。 従来の信頼モデルは、ネットワーク品質の変動の影響を見落とし、信頼の収束が遅くなり、不正確な評価につながります。 本稿では,TCA(Trust Convergence Acceleration)アプローチと呼ばれる動的信頼管理ソリューションを提案する。 本モデルは,主要なネットワーク指標に基づいて,信頼収束に必要な時間単位数を予測し,信頼モデルの遷移確率を動的に適応させて収束速度を向上する。 IEEE 802.11標準に基づく現実的なWi-Fiチャネル条件を取り入れたシミュレーションフレームワークを用いて、TCAベースのアプローチの有効性を実証し、挑戦条件下での信頼収束時間を最大28.6%削減する。 さらに、悪意のあるノードを含むシナリオにおけるレジリエンスを示し、信頼性評価精度を向上させる。 この作業は、動的産業環境におけるIIoTシステムのスケーラブルで適応的な信頼フレームワークを提供し、さまざまなネットワーク条件下での堅牢なパフォーマンスを保証する。

関連論文リスト

• Agentic Trust Coordination for Federated Learning through Adaptive Thresholding and Autonomous Decision Making in Sustainable and Resilient Industrial Networks [3.7802766761560442]
  産業ネットワークにおける分散インテリジェンスは、不均一でリソースに制約されたデバイスをまたいだセンシング、通信、計算を統合している。 フェデレートラーニング(FL)は、このような環境で協調的なモデルトレーニングを可能にするが、その信頼性は、一貫性のないクライアントの振る舞い、ノイズの多い検知条件、欠陥や敵の更新の存在に影響される。 本稿では,持続的かつ回復力のある産業ネットワークにおけるFLのための軽量なエージェント的信頼調整手法を提案する。
  論文  参考訳（メタデータ） (2026-03-26T11:21:22Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• A Novel Trust-Based DDoS Cyberattack Detection Model for Smart Business Environments [1.2991943127175767]
  スマートビジネス環境の要件を満たすために,信頼に基づく新しいDDoS検出モデルを導入する。 提案モデルでは,ノードの動作を継続的に監視し,パケット配信率,応答時間,異常検出に基づいて信頼スコアを算出する信頼評価エンジンを組み込んだ。 信頼スコアと中央信頼ベースのアウトプットを統合することにより、信頼計算が強化され、脅威が正確に識別され、リアルタイムで対処されることが保証される。
  論文  参考訳（メタデータ） (2025-12-04T14:37:55Z)
• PaTAS: A Parallel System for Trust Propagation in Neural Networks Using Subjective Logic [1.8485970721272895]
  本稿では,ニューラルネットワークの信頼をモデル化し,伝播するフレームワークであるPaTASを紹介する。 実世界および敵対的データセットの実験は、PaTASが解釈可能、対称性、収束信頼推定を生成することを示した。
  論文  参考訳（メタデータ） (2025-11-25T18:15:36Z)
• TrustGuard: GNN-based Robust and Explainable Trust Evaluation with Dynamicity Support [59.41529066449414]
  本稿では,信頼度を考慮した信頼度評価モデルであるTrustGuardを提案する。 TrustGuardは、スナップショット入力層、空間集約層、時間集約層、予測層を含む階層アーキテクチャで設計されている。 実験により、TrustGuardは、シングルタイムスロットとマルチタイムスロットの信頼予測に関して、最先端のGNNベースの信頼評価モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2023-06-23T07:39:12Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)
• Generative Adversarial Learning for Trusted and Secure Clustering in Industrial Wireless Sensor Networks [11.56611183738877]
  本稿では,産業用無線センサネットワーク(IWSN)のためのGANに基づく信頼管理機構を提案する。 検出率は96%、偽陽性率は8%以下である。
  論文  参考訳（メタデータ） (2022-10-14T11:20:08Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)

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。