論文の概要: Clustering-Based Collective Anomaly Detection in IoT Systems: A Graph Neural Network Approach

• arxiv url: http://arxiv.org/abs/2609.22166v1
• Date: Wed, 26 Aug 2026 19:26:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.75355
• Title: Clustering-Based Collective Anomaly Detection in IoT Systems: A Graph Neural Network Approach
• Title（参考訳）: IoTシステムにおけるクラスタリングに基づく集団異常検出:グラフニューラルネットワークアプローチ
• Abstract要約: IoT(Internet of Things)テクノロジは、さまざまなドメインにまたがるスマートな相互接続デバイスの普及につながっている。 この拡張によりネットワークトラフィックも大幅に増加し、悪意あるアクターがサイバー攻撃を開始する機会が増えた。 我々は,IoTネットワークトラフィックにおける集合的異常を特定するために,Unsupervised Graph Collective Anomaly Detection (UGCAD)を導入した。
• 参考スコア（独自算出の注目度）: 8.155864640187298
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid advancement of Internet of Things (IoT) technology has led to the widespread deployment of smart, interconnected devices across a range of domains. However, this expansion has also resulted in a substantial increase in network traffic, creating more opportunities for malicious actors to launch cyberattacks and compromise sensitive information, thereby increasing the need for effective anomaly detection. The state-of-the-art in anomaly detection has predominantly focused on point anomalies. In contrast, the detection of collective anomalies remains relatively under-explored in the literature. In this paper, we introduce Unsupervised Graph Collective Anomaly Detection (UGCAD), a novel frame- work designed to identify collective anomalies in IoT network traffic. Unlike many existing methods, UGCAD operates on graph-structured data without any prior knowledge of group labels or membership. It leverages a variational graph autoencoder (VGAE) to learn the graph representation, which is subsequently used to enhance a clustering algorithm for effective grouping of nodes. To detect collective anomalies, clusters identified as normal are first aggregated and refined, after which anomaly scores are applied to detect collective anomalies. Extensive experiments conducted on the CICIoT2023 and ToN-IoT network datasets demonstrate the effectiveness of UGCAD in both clustering and collective anomaly detection (CAD). Furthermore, comparative evaluations against several traditional and state-of-the-art clustering-based CAD approaches confirm the superiority of UGCAD in accurately detecting collective anomalies.
• Abstract（参考訳）: IoT(Internet of Things)技術の急速な進歩により、スマートで相互接続されたデバイスが、さまざまな領域に広く展開されるようになった。 しかし、この拡張によりネットワークトラフィックが大幅に増加し、悪意あるアクターがサイバー攻撃を仕掛け、機密情報を侵害する機会が増え、効果的な異常検出の必要性が高まった。 異常検出の最先端は、主に点異常に焦点を当てている。 対照的に、集団異常の検出は文献の中では比較的過小評価されている。 本稿では,IoTネットワークトラフィックにおける集団異常を識別する新しいフレームワークであるUnsupervised Graph Collective Anomaly Detection (UGCAD)を紹介する。 既存の多くの方法とは異なり、UGCADはグループラベルやメンバーシップに関する事前知識のないグラフ構造化データで動作している。 変分グラフオートエンコーダ(VGAE)を利用してグラフ表現を学習し、ノードを効果的にグループ化するクラスタリングアルゴリズムを強化する。 集団異常を検出するために、通常と同定されたクラスターをまず集約して精製し、その後に異常スコアを適用して集団異常を検出する。 CICIoT2023とToN-IoTネットワークデータセットで実施された大規模な実験は、クラスタリングと集団異常検出(CAD)の両方においてUGCADの有効性を示す。 さらに, 従来のクラスタリングに基づくCAD手法との比較により, 集団異常を正確に検出する際のUGCADの優位性を確認した。

関連論文リスト

• DCOR: Anomaly Detection in Attributed Networks via Dual Contrastive Learning Reconstruction [5.382679710017696]
  ネットワークベースのアプローチによる異常検出は、異常事象を特定する最も効率的な方法の1つである。 本稿では、再構成に基づく異常検出とコントラスト学習を統合した、属性付きネットワークの新しいアプローチDCORを紹介する。
  論文  参考訳（メタデータ） (2024-12-21T22:02:06Z)
• UMGAD: Unsupervised Multiplex Graph Anomaly Detection [40.17829938834783]
  UMGADと呼ばれる新しい教師なし多重グラフ異常検出法を提案する。 我々はまず、多重異種グラフにおけるノード間の多重相関関係を学習する。 そして、さらに異常情報を抽出するために、属性レベルおよびサブグラフレベルの拡張ビューグラフを生成する。
  論文  参考訳（メタデータ） (2024-11-19T15:15:45Z)
• ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
  ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。 各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
  論文  参考訳（メタデータ） (2024-05-27T02:42:33Z)
• Multitask Active Learning for Graph Anomaly Detection [48.690169078479116]
  MultItask acTIve Graph Anomaly Detection framework,すなわちMITIGATEを提案する。 ノード分類タスクを結合することにより、MITIGATEは既知の異常を伴わずに配布外ノードを検出する能力を得る。 4つのデータセットに関する実証的研究は、MITIGATEが異常検出のための最先端の手法を著しく上回っていることを示している。
  論文  参考訳（メタデータ） (2024-01-24T03:43:45Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• DyEdgeGAT: Dynamic Edge via Graph Attention for Early Fault Detection in IIoT Systems [12.641578474466646]
  DyEdgeGATは、IIoTシステムにおける早期故障検出の新しいアプローチである。 動作条件コンテキストをノードダイナミックスモデリングに組み込んで、その正確性と堅牢性を高める。 我々は,DyEdgeGATを人工データセットと実世界の産業規模フロー施設ベンチマークの両方を用いて厳格に評価した。
  論文  参考訳（メタデータ） (2023-07-07T12:22:16Z)
• ARISE: Graph Anomaly Detection on Attributed Networks via Substructure Awareness [70.60721571429784]
  サブ構造認識(ARISE)による属性付きネットワーク上の新しいグラフ異常検出フレームワークを提案する。 ARISEは、異常を識別するグラフのサブ構造に焦点を当てている。 実験により、ARISEは最先端の属性付きネットワーク異常検出(ANAD)アルゴリズムと比較して、検出性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-28T12:17:40Z)
• From Unsupervised to Few-shot Graph Anomaly Detection: A Multi-scale Contrastive Learning Approach [26.973056364587766]
  グラフデータからの異常検出は、ソーシャルネットワーク、金融、eコマースなど、多くのアプリケーションにおいて重要なデータマイニングタスクである。 マルチスケールcONtrastive lEarning(略してANEMONE)を用いた新しいフレームワーク, graph Anomaly dEtection フレームワークを提案する。 グラフニューラルネットワークをバックボーンとして、複数のグラフスケール(ビュー)から情報をエンコードすることで、グラフ内のノードのより良い表現を学習する。
  論文  参考訳（メタデータ） (2022-02-11T09:45:11Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)

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。