論文の概要: Deep Learning for Cyber Threat Detection and Mitigation in Healthcare-IoT

• arxiv url: http://arxiv.org/abs/2608.00118v1
• Date: Fri, 31 Jul 2026 10:24:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.460636
• Title: Deep Learning for Cyber Threat Detection and Mitigation in Healthcare-IoT
• Title（参考訳）: 医療IoTにおけるサイバー脅威検出と緩和のためのディープラーニング
• Abstract要約: この論文は、H-IoTシステムを保護するための、現実的なデータセット生成、軽量モデル設計、エッジデプロイメントを含む、ディープラーニングベースのサイバーセキュリティ防御メカニズムを確立する。 これには、Distributed Denial of Service(DDo)攻撃のための2つのバイナリ分類データセットと、Selective Forwarding(SF)、Man-in-the-Middle(MITM)、DDoS攻撃を表すマルチクラスデータセットが含まれている。 第3のデータセットであるUL-ECE-MultiAttack-H-IoT2025は、生理学的機能とネットワーク機能を統合して、H-IoTにおける複数のサイバー脅威を表現する。
• 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: Cybersecurity is a fundamental requirement for protecting wearable devices used in healthcare Internet of Things (H-IoT) systems. Security failures in these resource-constrained systems directly compromise patient safety. Physiological data and network traffic are frequent targets of cyberattacks in H-IoT environments. To address these risks, deep learning-based cybersecurity mechanisms for H-IoT often involve complex architectures with large parameter counts. Existing datasets are also rarely assessed for quality, limiting their applicability. However, this research addresses these challenges by developing multiple realistic datasets and proposing lightweight deep learning models, namely the Temporal Convolutional Network (TCN) and Residual TCN (Res-TCN), for H-IoT. It includes two binary classification datasets for Distributed Denial of Service (DDoS) attacks and a multiclass dataset representing Selective Forwarding (SF), Man-in-the-Middle (MITM), and DDoS attacks. The datasets UL-ECE-MQTT-DDoS-H-IoT2025 and UL-ECE-UDP-DDoS-H-IoT2025 are generated in Cooja and ns-3 to capture transmission behaviours and protocol variations. The third dataset, UL-ECE-MultiAttack-H-IoT2025, integrates physiological and network features to represent multiple cyber threats in H-IoT. Building on this, the TCN model is designed to detect and mitigate DDoS attacks over the MQTT and UDP-based datasets. It incorporates a monitoring frequency-based detection mechanism and a dynamic threshold-based mitigation strategy. To enable edge deployment, the model is quantised and converted into TensorFlow Lite (TFLite) for real-time DDoS detection on Raspberry Pi 4, achieving low latency and power-efficient operation in H-IoT. This thesis establishes a deep learning-based cybersecurity defence mechanism encompassing realistic dataset generation, lightweight model design, and edge deployment for securing H-IoT systems.
• Abstract（参考訳）: サイバーセキュリティは、医療用モノのインターネット(H-IoT)システムで使用されるウェアラブルデバイスを保護するための基本的な要件である。 これらのリソース制限されたシステムのセキュリティ障害は、患者の安全性を直接侵害する。 生理学的データとネットワークトラフィックは、H-IoT環境におけるサイバー攻撃の標的となることが多い。 これらのリスクに対処するため、H-IoTのディープラーニングベースのサイバーセキュリティメカニズムは、大きなパラメータ数を持つ複雑なアーキテクチャを伴っていることが多い。 既存のデータセットも品質評価されることはめったになく、適用性も制限される。 しかし、本研究では、複数の現実的なデータセットを開発し、H-IoTのための軽量ディープラーニングモデルであるTCN(Temporal Convolutional Network)とResidual TCN(Res-TCN)を提案することにより、これらの課題に対処する。 これには、Distributed Denial of Service(DDoS)攻撃のための2つのバイナリ分類データセットと、Selective Forwarding(SF)、Man-in-the-Middle(MITM)、DDoS攻撃を表すマルチクラスデータセットが含まれている。 データセットUL-ECE-MQTT-DDoS-H-IoT2025とUL-ECE-UDP-DDoS-H-IoT2025は、Coojaとns-3で生成され、送信動作とプロトコルのバリエーションをキャプチャする。 第3のデータセットであるUL-ECE-MultiAttack-H-IoT2025は、生理学的およびネットワーク機能を統合して、H-IoTにおける複数のサイバー脅威を表現する。 TCNモデルは,MQTTとUDPベースのデータセットに対するDDoS攻撃の検出と緩和を目的としている。 監視周波数に基づく検出機構と動的しきい値に基づく緩和戦略が組み込まれている。 エッジデプロイメントを実現するために、モデルを量子化し、TensorFlow Lite(TFLite)に変換して、Raspberry Pi 4のリアルタイムDDoS検出を実現し、H-IoTでの低レイテンシと電力効率の操作を実現する。 この論文は、H-IoTシステムを保護するための、現実的なデータセット生成、軽量モデル設計、エッジデプロイメントを含む、ディープラーニングベースのサイバーセキュリティ防御メカニズムを確立する。

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)
• SecureDyn-FL: A Robust Privacy-Preserving Federated Learning Framework for Intrusion Detection in IoT Networks [0.7724583352717439]
  我々は,IoTネットワークの侵入検出に適した,包括的で堅牢なプライバシー保護フェデレーション学習(FL)フレームワークを提案する。 SecureDyn-FLは、FLベースのIDSで複数のセキュリティディメンションを同時に扱うように設計されている。 SecureDyn-FL は最先端の FL ベースの IDS 防御よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-10T07:23:49Z)
• A Cutting-Edge Deep Learning Method For Enhancing IoT Security [0.0]
  本稿では,Deep Learning-integrated Convolutional Neural Networks (CNN) とLong Short-Term Memory (LSTM) ネットワークを用いたモノのインターネット(IoT)環境侵入検知システム(IDS)の革新的な設計を提案する。 われわれのモデルはCICIDS 2017データセットに基づいて、ネットワークトラフィックを良性または悪意のいずれかとして分類する精度99.52%を達成した。
  論文  参考訳（メタデータ） (2024-06-18T08:42:51Z)
• 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)
• Enhancing IoT Security: A Novel Feature Engineering Approach for ML-Based Intrusion Detection Systems [1.749521391198341]
  日々の生活にIoT(Internet of Things)アプリケーションを統合することで、データトラフィックが急増し、重大なセキュリティ上の問題が発生しています。 本稿では、コストと精度のバランスの取れたトレードオフを見つけるための新しい手法を導入することにより、エッジレベルでのMLベースのIDSの有効性を向上させることに焦点を当てる。
  論文  参考訳（メタデータ） (2024-04-29T21:26:18Z)
• 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)
• Constrained Twin Variational Auto-Encoder for Intrusion Detection in IoT Systems [30.16714420093091]
  侵入検知システム(IDS)は、悪意のある攻撃から何十億ものIoTデバイスを保護する上で重要な役割を果たす。 本稿では,CTVAE(Constrained Twin Variational Auto-Encoder)と呼ばれる新しいディープニューラルネットワーク/アーキテクチャを提案する。 CTVAEは、最先端の機械学習および表現学習方法と比較して、精度と検出攻撃におけるFscoreの約1%を向上することができる。
  論文  参考訳（メタデータ） (2023-12-05T04:42:04Z)
• IoTFlowGenerator: Crafting Synthetic IoT Device Traffic Flows for Cyber Deception [31.822346303953164]
  ハニーポットは攻撃者の意図を理解し、攻撃者を騙して時間とリソースを消費する重要なセキュリティツールである。 より良いハニーポットを構築し、サイバー詐欺能力を高めるためには、IoTハニーポットは現実的なネットワークトラフィックフローを生成する必要がある。 本稿では,ユーザとIoTデバイスのインタラクションによって,実際のネットワークトラフィックを模倣するトラフィックフローを生成するための,新たなディープラーニングベースのアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-01T16:24:07Z)
• RL-DistPrivacy: Privacy-Aware Distributed Deep Inference for low latency IoT systems [41.1371349978643]
  本稿では,流通戦略の再考を通じて協調的深層推論の安全性を目標とするアプローチを提案する。 我々は、この手法を最適化として定式化し、コ推論のレイテンシとプライバシーレベルのデータのトレードオフを確立する。
  論文  参考訳（メタデータ） (2022-08-27T14:50:00Z)
• Automated Identification of Vulnerable Devices in Networks using Traffic Data and Deep Learning [30.536369182792516]
  脆弱性データベースのデータと組み合わせたデバイスタイプの識別は、ネットワーク内の脆弱なiotデバイスを特定できる。 信頼性の高いIoTデバイスタイプ識別のための2つの深層学習手法を提案し,評価する。
  論文  参考訳（メタデータ） (2021-02-16T14:49:34Z)

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。