論文の概要: Comparative Analysis of Machine Learning based Intrusion Detection in Realistic IoT Networks

• arxiv url: http://arxiv.org/abs/2606.31594v1
• Date: Tue, 30 Jun 2026 12:43:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.2163
• Title: Comparative Analysis of Machine Learning based Intrusion Detection in Realistic IoT Networks
• Title（参考訳）: リアルタイムIoTネットワークにおける機械学習による侵入検出の比較解析
• Abstract要約: IoTデバイスを使用するメリットはあるものの、いくつかの課題を提示している。 これらのデバイスが私たちの生活で果たす重要な役割を考えると、セキュリティとプライバシに関する問題に対処することが重要です。 これらのデバイスはリソースに制限されており、それらが管理するデータのセキュリティと保護を複雑にする。
• 参考スコア（独自算出の注目度）: 1.8555157865949188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Internet of Things (IoT) is rapidly growing and expanding into various sectors, such as healthcare, transportation, smart homes, and more. Despite the benefits of using IoT devices, they present several challenges. Given the significant role these devices play in our lives, it is crucial to address issues related to their security and privacy. These devices are limited in resources, which complicates their security and the protection of the data that they manage. The paper aims to examine intrusion detection systems using the Gotham2025 dataset, generated through the Gotham testbed, which consists of 78 emulated IoT devices utilising various protocols, including MQTT, CoAP, and RTSP, to assist in safeguarding IoT networks from attacks. We conduct a comparative analysis between five machine learning algorithms, including Random Forest, XGBoost, Logistic Regression, Naive Bayes, and Deep Neural Network. We demonstrate that the Random Forest Classifier was the top-performing model, achieving an F1-score of 0.99 in classifying attacks.
• Abstract（参考訳）: IoT(Internet of Things)は、医療、交通、スマートホームなど、さまざまな分野に急速に拡大し、拡大している。 IoTデバイスを使用するメリットはあるものの、いくつかの課題を提示している。 これらのデバイスが私たちの生活で果たす重要な役割を考えると、セキュリティとプライバシに関する問題に対処することが重要です。 これらのデバイスはリソースに制限されており、それらが管理するデータのセキュリティと保護を複雑にする。 本研究の目的は,MQTTやCoAP,RTSPなど,78のエミュレートされたIoTデバイスで構成されるGothamテストベッドを通じて生成されたGotham2025データセットによる侵入検知システムを用いて,IoTネットワークの攻撃からの保護を支援することにある。 我々は、ランダムフォレスト、XGBoost、ロジスティック回帰、ネイブベイズ、ディープニューラルネットワークを含む5つの機械学習アルゴリズムの比較分析を行う。 我々はランダムフォレスト分類器がトップパフォーマンスモデルであり、攻撃の分類においてF1スコア0.99を達成したことを実証した。

関連論文リスト

• 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)
• Smart Surveillance: Identifying IoT Device Behaviours using ML-Powered Traffic Analysis [3.6442413702696506]
  本研究では、IoTデバイスタイプとその動作の分類に機械学習(ML)技術を用いることを検討する。 NPAT対応ルータと,スマートカメラ,コントローラハブ,家電,電力コントローラ,ストリーミングデバイスなど,さまざまなIoTデバイスで構成されるテストベッドを構築した。
  論文  参考訳（メタデータ） (2025-12-06T14:01:56Z)
• Leveraging Machine Learning for Botnet Attack Detection in Edge-Computing Assisted IoT Networks [0.34530027457862006]
  本稿では,エッジコンピューティング支援IoT環境におけるセキュリティ向上のための機械学習技術の適用について検討する。 ボットネット脅威の動的で複雑な性質に対処するため、ランダムフォレスト、XGBoost、LightGBMの比較分析を行う。 この結果は、IoTネットワークを新たなサイバーセキュリティ問題に対して強化する機械学習の可能性を強調している。
  論文  参考訳（メタデータ） (2025-08-03T01:52:35Z)
• 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)
• Leveraging Machine Learning Techniques in Intrusion Detection Systems for Internet of Things [11.185300073739098]
  従来の侵入検知システム(IDS)は、IoTネットワークの動的かつ大規模な性質を管理するのに不足することが多い。 本稿では,機械学習(ML)とディープラーニング(DL)技術がIoT環境におけるIDSのパフォーマンスを大幅に向上させる方法について検討する。
  論文  参考訳（メタデータ） (2025-04-09T18:52:15Z)
• Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks [0.0]
  IoT(Internet of Things)は急速に拡大しており、さまざまなサイバー脅威を緩和するためのセキュアなネットワークを持つことが重要になっている。 本研究は、IoTデバイスのマルチクラス攻撃検出の限界に対処し、新しい機械学習ベースの軽量アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:17:03Z)
• Lightweight CNN-BiLSTM based Intrusion Detection Systems for Resource-Constrained IoT Devices [38.16309790239142]
  侵入検知システム(IDS)は、従来のコンピュータシステムにおけるサイバー攻撃の検出と防止に重要な役割を果たしてきた。 Internet of Things(IoT)デバイスで利用可能な限られた計算リソースは、従来のコンピューティングベースのIDSのデプロイを困難にしている。 軽量CNNと双方向LSTM(BiLSTM)を組み合わせたハイブリッドCNNアーキテクチャを提案し,UNSW-NB15データセット上でのIDSの性能向上を図る。
  論文  参考訳（メタデータ） (2024-06-04T20:36:21Z)
• 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)
• Poisoning Attacks in Federated Edge Learning for Digital Twin 6G-enabled IoTs: An Anticipatory Study [37.97034388920841]
  フェデレーションエッジ学習は、デジタルツインの6G対応モノのインターネット(IoT)環境において、プライバシ保護、人工知能(AI)対応のアクティビティをサポートする上で不可欠である。 本稿では,デジタル双対6G対応IoT環境におけるフェデレーションエッジ学習における中毒攻撃の予測研究を提案する。
  論文  参考訳（メタデータ） (2023-03-21T11:12:17Z)
• Intrusion Detection in Internet of Things using Convolutional Neural Networks [4.718295605140562]
  CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。 データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。 実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
  論文  参考訳（メタデータ） (2022-11-18T07:27:07Z)
• IoT Security: Botnet detection in IoT using Machine learning [0.0]
  本研究は、IoTネットワークにおけるボットネットベースの分散サービス拒否(DDoS)攻撃の検出と緩和に機械学習アルゴリズムを用いた革新的なモデルを提案する。 提案モデルでは,ボットの脅威に関するセキュリティ問題に対処する。
  論文  参考訳（メタデータ） (2021-04-06T01:47:50Z)
• IoT Device Identification Using Deep Learning [43.0717346071013]
  組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。 広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。 本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
  論文  参考訳（メタデータ） (2020-02-25T12:24:49Z)

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。