Fugu-MT 論文翻訳(概要): Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture

論文の概要: Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture

arxiv url: http://arxiv.org/abs/2607.17035v1
Date: Sun, 19 Jul 2026 02:35:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.341474
Title: Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture
Title（参考訳）: ゼロトラストIoTアーキテクチャのためのフェデレーションラーニングとLLM駆動型脅威インテリジェンス
Abstract要約: 本稿では,ゼロトラストIoTアーキテクチャのための学習・LLM駆動型脅威インテリジェンスを提案する。プライバシ保護の分散学習、継続的なアイデンティティ検証、LLM駆動の自律的脅威パイプラインを統合する。 Raspberry Piと各種センサを用いた実験により,0.9091,ROC-AUC1.0の有効性が得られた。
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: While the Internet of Things (IoT) has become essential, they introduced serious security and privacy challenges, especially for mission-critical environments. Legacy devices are vulnerable to viruses, data breaches, and unauthorized access, and updating these devices would be infeasibly costly. As a solution, this paper presents a Federated Learning and LLM-Driven Threat Intelligence for Zero Trust IoT Architecture, with FL for anomaly detection integrating privacy-preserving distributed learning, continuous identity verification, and LLM-driven autonomous threat response into a unified pipeline. Unlike existing solutions, our framework enforces Zero Trust at every communication layer via mutual TLS (mTLS) over MQTT, ensuring no device or message is implicitly trusted. Our experiments with Raspberry Pis and various sensors achieve an F1 score of 0.9091 and an ROC-AUC of 1.0, highlighting the effectiveness of the proposed framework in enabling privacy-preserving anomaly detection for resource-constrained IoT devices.
Abstract（参考訳）: IoT(Internet of Things)が重要になってきていますが、特にミッションクリティカルな環境において、深刻なセキュリティとプライバシの問題が発生しています。レガシーデバイスは、ウイルス、データ漏洩、不正アクセスに対して脆弱であり、これらのデバイスを更新することは、不可能なほどコストがかかる。本稿では,プライバシ保護型分散学習,連続ID検証,LLM駆動の自律的脅威応答を統合パイプラインに統合した,異常検出のためのFLを用いた,ゼロトラストIoTアーキテクチャのためのフェデレートラーニングとLLM駆動型脅威インテリジェンスを提案する。既存のソリューションとは異なり、当社のフレームワークはMQTT上の相互TLS(mTLS)を通じて、すべての通信層でZero Trustを実行しています。 Raspberry Piと各種センサを用いた実験により、F1スコアが0.9091、ROC-AUCが1.0となり、リソース制約のIoTデバイスに対して、プライバシ保護異常検出を可能にするためのフレームワークの有効性が明らかになった。

関連論文リスト

CIA: Inferring the Communication Topology from LLM-based Multi-Agent Systems [52.48183625867145]
マルチエージェントシステム(MAS)は、複雑なタスクを解く際、顕著な能力を示した。 MASの中心は、エージェントが内部で情報を交換する方法を管理する通信トポロジーである。本稿では,MAS通信のトポロジを制限的なブラックボックス設定で推定できる,重要なプライバシーリスクについて検討する。
論文参考訳（メタデータ） (2026-04-14T08:48:15Z)
Client-Verifiable and Efficient Federated Unlearning in Low-Altitude Wireless Networks [46.684199927214486]
低高度無線ネットワーク(LAWN)では、連邦学習(FL)は無人航空機(UAV)と統合センシング通信(ISAC)デバイス間の協調的なインテリジェンスを可能にする。 ISAC機器の「忘れられる権利」と高いモビリティのため、出発する機器の影響は訓練されたモデルから取り除かなければならない。 LAWN向けに設計された,プライバシ保護とクライアント検証可能なフェデレーションアンラーニングフレームワークであるVerFUを提案する。
論文参考訳（メタデータ） (2026-03-31T12:45:40Z)
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)
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)
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT [0.0]
産業用IoT(Industrial Internet of Things, IIoT)システムはスマートマニュファクチャリングに不可欠なものになっています。従来の侵入検知システム(IDS)は、データプライバシやレイテンシ、単一障害点に対する懸念を高める集中型アーキテクチャに依存することが多い。我々は、IIoT環境に適したプライバシー保護侵入検知のための新しいFederated Learning-Enhanced Framework(FL-BCID)を提案する。
論文参考訳（メタデータ） (2025-05-21T11:11:44Z)
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 Novel Zero-Touch, Zero-Trust, AI/ML Enablement Framework for IoT Network Security [0.0]
本稿では,現在のIoTエコシステムにおけるDDoS攻撃の検出,緩和,防止に有効なZero Trust,Zero Touch,AI/MLの統合に基づく,新たなフレームワークを提案する。すべてのIoTトラフィック、固定およびモバイル5G/6GIoTネットワークトラフィック、データセキュリティのゼロ信頼を確立することで、新たな統合フレームワークに注力する予定である。
論文参考訳（メタデータ） (2025-02-05T21:03:07Z)
Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
論文参考訳（メタデータ） (2024-04-20T02:30:21Z)
Domain-Agnostic Hardware Fingerprinting-Based Device Identifier for Zero-Trust IoT Security [7.8344795632171325]
次世代ネットワークは、人間、機械、デバイス、システムをシームレスに相互接続することを目的としている。この課題に対処するため、Zero Trust(ZT)パラダイムは、ネットワークの完全性とデータの機密性を保護するための重要な方法として登場した。この研究は、新しいディープラーニングベースの無線デバイス識別フレームワークであるEPS-CNNを導入している。
論文参考訳（メタデータ） (2024-02-08T00:23:42Z)
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)
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)

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。