論文の概要: An AI-Based Solution for Secure Service Provisioning in IoT
- arxiv url: http://arxiv.org/abs/2606.30701v1
- Date: Mon, 29 Jun 2026 12:23:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:18.957232
- Title: An AI-Based Solution for Secure Service Provisioning in IoT
- Title（参考訳）: IoTにおけるセキュアサービスプロビジョニングのためのAIベースのソリューション
- Abstract要約: 所定のIoT環境内でターゲットサービスを提供するために、最も適切なスマートオブジェクトを選択するように設計された包括的なフレームワークを提案する。
我々は、知的エージェントが複雑な動的環境との相互作用を通じて変化に適応する方法を学習する、Deep Reinforcement Learning (DRL)アプローチを使用する。
行動モニタリングには、フェデレートラーニング(FL)を活用し、グローバルな行動フィンガープリント(BF)モデルを開発する。
- 参考スコア（独自算出の注目度）: 4.2354621152563485
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the Internet of Things (IoT) continues its rapid expansion, the attack surface grows accordingly, with emerging threats targeting smart objects and their interactions. In this evolving landscape, securing service provisioning is crucial to ensure the proper functioning, security, and reliability of the IoT ecosystem. Service provisioning encompasses key tasks such as device registration, configuration, authentication, authorization, and software deployment, all of which are essential for seamless and secure IoT operations. In this paper, we present a comprehensive framework designed to select the most suitable smart objects to deliver a target service within a given IoT environment while also monitoring the behavior of the entities involved during the service provisioning phase. To achieve this, we employ a Deep Reinforcement Learning (DRL) approach in which an intelligent agent learns, through interaction with a complex, dynamic environment, how to adapt to changes while adhering to predefined security constraints. For behavioral monitoring, we leverage Federated Learning (FL) to develop a global Behavioral Fingerprinting (BF) model that is fully distributed and can analyze how IoT devices interact within the network. In addition, the BF is used to compute a reliability score for each service provider, reflecting its degree of compliance with the defined security constraints. This score is then incorporated into the service provisioning process, allowing smart objects to select providers not only according to functional suitability but also to their reliability level. Finally, we conduct an extensive experimental evaluation to assess the robustness and scalability of our approach. The results demonstrate that our solution can be effectively deployed even on resource-constrained IoT devices, making it a viable and scalable security-enhancing mechanism for modern IoT ecosystems.
- Abstract（参考訳）: IoT(Internet of Things)の急速な拡大に伴い、攻撃面は拡大し、スマートオブジェクトとそのインタラクションをターゲットとする新たな脅威が出現する。
この進化する状況では、IoTエコシステムの適切な機能、セキュリティ、信頼性を確保するために、サービスプロビジョニングの確保が不可欠です。
サービスプロビジョニングは、デバイス登録、設定、認証、認可、ソフトウェアデプロイメントといった重要なタスクを含む。
本稿では、サービス提供フェーズにおけるエンティティの動作を監視しながら、所定のIoT環境内でターゲットサービスを提供するために最も適したスマートオブジェクトを選択するために設計された包括的なフレームワークを提案する。
そこで我々は,知的エージェントが複雑な動的環境とのインタラクションを通じて,事前に定義されたセキュリティ制約に固執しながら変化に適応する方法を学習する,Deep Reinforcement Learning (DRL)アプローチを採用した。
行動監視には、フェデレートラーニング(FL)を活用して、完全に分散し、IoTデバイスがネットワーク内でどのように相互作用するかを分析するグローバルなビヘイビアフィンガープリント(BF)モデルを開発します。
さらに、BFは、定義されたセキュリティ制約に対するコンプライアンスの度合いを反映して、各サービスプロバイダの信頼性スコアを計算するために使用される。
このスコアはサービスプロビジョニングプロセスに組み込まれ、スマートオブジェクトは機能的適合性だけでなく、信頼性レベルに応じてプロバイダを選択することができる。
最後に、我々のアプローチの堅牢性とスケーラビリティを評価するために、広範な実験的評価を行う。
その結果、私たちのソリューションはリソースに制約のあるIoTデバイスでも効果的にデプロイ可能であることが示され、現代のIoTエコシステムにおいて、実行可能でスケーラブルなセキュリティ強化メカニズムになります。
関連論文リスト
- Architecting Trust: A Framework for Secure IoT Systems Through Trusted Execution and Semantic Middleware [1.7277199466514768]
IoT(Internet of Things)セキュリティの展望には、技術的および運用上の課題に対処可能なアーキテクチャソリューションが必要です。
本稿では,Trusted Execution Environments(TEE)とセマンティックおよびブロックチェーン技術を統合するための,IoTの包括的なセキュリティフレームワークを提案する。
アーキテクチャには、周辺レベルでのハードウェアルート信頼、ネットワークレベルでのゼロ信頼原則、アプリケーションレベルでのセマンティックセキュリティメカニズムが含まれる。
論文 参考訳（メタデータ） (2026-02-11T11:48:41Z) - OS-Sentinel: Towards Safety-Enhanced Mobile GUI Agents via Hybrid Validation in Realistic Workflows [77.95511352806261]
VLM(Vision-Language Models)を利用したコンピュータ利用エージェントは、モバイルプラットフォームのようなデジタル環境を操作する上で、人間のような能力を実証している。
我々は,明示的なシステムレベルの違反を検出するための形式検証器と,文脈的リスクとエージェント行動を評価するコンテキスト判断器を組み合わせた,新しいハイブリッド安全検出フレームワークOS-Sentinelを提案する。
論文 参考訳（メタデータ） (2025-10-28T13:22:39Z) - Disrupting Vision-Language Model-Driven Navigation Services via Adversarial Object Fusion [56.566914768257035]
本稿では,サービス指向環境における視覚言語ナビゲーション(VLN)エージェントを対象とした新たな攻撃フレームワークであるAdversarial Object Fusion(AdvOF)を提案する。
本稿では,通常のナビゲーションタスクに対する最小限の干渉を維持しつつ,敵条件下でのエージェント性能を効果的に劣化させることができることを示す。
この研究は、VLMによるナビゲーションシステムにおけるサービスセキュリティの理解を深め、物理世界展開における堅牢なサービス構成のための計算基盤を提供する。
論文 参考訳（メタデータ） (2025-05-29T09:14:50Z) - Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。
ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
論文 参考訳（メタデータ） (2025-05-26T06:44:31Z) - Large Language Model-driven Security Assistant for Internet of Things via Chain-of-Thought [13.010586550884419]
大規模言語モデル(LLM)によるIoTセキュリティアシスタントを提案する。
提案するLLM駆動型IoTセキュリティアシスタントは,ICoTアプローチによるIoTセキュリティ問題の理解を大幅に改善する。
論文 参考訳（メタデータ） (2025-05-08T07:47:24Z) - 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) - A Deep Reinforcement Learning Approach for Security-Aware Service Acquisition in IoT [2.765106384328772]
モノのインターネットにおけるサービスの獲得において、適切なレベルのプライバシとセキュリティ要件を定義するための完全なフレームワークを提案する。
強化学習ベースのソリューションを使用することで、環境内のユーザエージェントは、ターゲットサービスへのアクセスを許可する最適なスマートオブジェクトを選択するように訓練される。
論文 参考訳（メタデータ） (2024-04-04T08:00:12Z) - A Novel IoT Trust Model Leveraging Fully Distributed Behavioral
Fingerprinting and Secure Delegation [3.10770247120758]
IoT(Internet of Things)ソリューションは、データ収集と処理を容易にするために、急激な需要を実験している。
自律的な方法で提供される新機能やサービスの数が増えるほど、ユーザをデータハッキングや損失に晒す攻撃面が大きくなる。
そこで本稿では, スマートなものの装備に関する非自明な問題に対処し, 隣人を通じて, ネットワーク内のオブジェクトの信頼性を, 対話前に評価する戦略を提示する。
論文 参考訳（メタデータ） (2023-10-02T07:45:49Z) - The Internet of Senses: Building on Semantic Communications and Edge
Intelligence [67.75406096878321]
インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。
我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
論文 参考訳（メタデータ） (2022-12-21T03:37:38Z) - HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a
Collaborative IoT Intrusion Detection [0.0]
セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。
MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。
その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
論文 参考訳（メタデータ） (2022-04-08T19:06:16Z) - Safe RAN control: A Symbolic Reinforcement Learning Approach [62.997667081978825]
本稿では,無線アクセスネットワーク(RAN)アプリケーションの安全管理のためのシンボル強化学習(SRL)アーキテクチャを提案する。
我々は、ユーザが所定のセルネットワークトポロジに対して高レベルの論理的安全性仕様を指定できる純粋に自動化された手順を提供する。
ユーザがシステムに意図仕様を設定するのを支援するために開発されたユーザインターフェース(UI)を導入し、提案するエージェントの動作の違いを検査する。
論文 参考訳（メタデータ） (2021-06-03T16:45:40Z)
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。