論文の概要: Reliable Federated TinyML Deployment for IoT Security

• arxiv url: http://arxiv.org/abs/2609.27202v1
• Date: Wed, 23 Sep 2026 01:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.815163
• Title: Reliable Federated TinyML Deployment for IoT Security
• Title（参考訳）: IoTセキュリティのための信頼性の高いフェデレーションTinyMLデプロイメント
• Abstract要約: 本研究は,IoT環境における侵入検出のために,フェデレートラーニングとTinyMLベースのモデル圧縮を組み合わせることを検討する。 予備的な結果は、訓練安定性が統合TinyMLシステムにおいて重要な役割を担っていることを示している。 これらの発見は、IoTデバイスに対する軽量でプライバシ保護の侵入検知システムを設計するための洞察を提供する。
• 参考スコア（独自算出の注目度）: 1.4095941890103065
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing deployment of Internet of Things (IoT) devices has increased the need for privacy-preserving intrusion detection systems that operate directly on resource-constrained hardware. Federated Learning enables collaborative model training without sharing raw data, but conventional federated models are often too large and unstable for deployment on microcontroller-class devices. TinyML techniques enable compact neural networks but are typically designed for inference-only workloads. This work investigates combining Federated Learning with TinyML-based model compression for intrusion detection in IoT environments. We evaluate compression strategies including knowledge distillation, structured pruning, and quantization within a federated training pipeline. Preliminary results show that training stability plays a critical role in federated TinyML systems. In particular, server-coordinated cosine learning-rate scheduling improves Attack Recall from 46.7% to 93.85% while enabling substantial model compression and efficient edge deployment. These findings provide insights for designing lightweight and privacy preserving intrusion detection systems for IoT devices.
• Abstract（参考訳）: モノのインターネット(IoT)デバイスの普及により、リソース制約のあるハードウェア上で直接動作するプライバシー保護侵入検知システムの必要性が高まっている。 フェデレートラーニング(Federated Learning)は、生データを共有せずに協調的なモデルトレーニングを可能にするが、従来のフェデレーションモデルは、マイクロコントローラクラスのデバイスにデプロイするには大きすぎて不安定であることが多い。 TinyML技術は、コンパクトなニューラルネットワークを実現するが、一般的には推論のみのワークロード用に設計されている。 本研究は,IoT環境における侵入検出のために,フェデレートラーニングとTinyMLベースのモデル圧縮を組み合わせることを検討する。 我々は, 知識蒸留, 構造化プルーニング, 定量化などの圧縮戦略を, フェデレートトレーニングパイプライン内で評価する。 予備的な結果は、訓練安定性が統合TinyMLシステムにおいて重要な役割を担っていることを示している。 特に、サーバが協調するコサイン学習率のスケジューリングは、アタックリコールを46.7%から93.85%に改善し、実質的なモデル圧縮と効率的なエッジデプロイメントを実現している。 これらの発見は、IoTデバイスに対する軽量でプライバシ保護の侵入検知システムを設計するための洞察を提供する。

関連論文リスト

• In-network Attack Detection with Federated Deep Learning in IoT Networks: Real Implementation and Analysis [8.042250872791344]
  IoT(Internet of Things)とそのバックボーンネットワークとの統合は、セキュリティ侵害のリスクを高めている。 大量のデータを中央サーバに転送する必要がある従来の集中的な異常検出アプローチは、プライバシ、スケーラビリティ、レイテンシの制限に悩まされている。 本稿では,リソース制約のあるエッジデバイスへの展開を目的とした,軽量なオートエンコーダに基づく異常検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T05:46:28Z)
• 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)
• RockNet: Distributed Learning on Ultra-Low-Power Devices [49.01692357536576]
  本稿では,超低消費電力ハードウェアに適した新しいTinyML法であるRockNetを提案する。 CPSは複数のデバイスで構成されているため,機械学習と無線通信を統合した分散学習手法を設計する。 この結果から,分散ML,分散コンピューティング,通信の緊密な統合により,最先端の精度で超低消費電力ハードウェアのトレーニングが可能となった。
  論文  参考訳（メタデータ） (2025-10-15T09:09:30Z)
• A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT [0.4511923587827302]
  フェデレート学習に基づく軽量かつプライバシー保護のボットネット検出フレームワークを提案する。 このアプローチにより、分散デバイスは生データを交換することなく、協力的にモデルをトレーニングできる。 ベンチマークIoTボットネットデータセットの実験は、このフレームワークが通信コストを大幅に削減しつつ高い検出精度を達成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T20:54:58Z)
• Lightweight Intrusion Detection System Using a Hybrid CNN and ConvNeXt-Tiny Model for Internet of Things Networks [1.5803208833562954]
  我々は,CNNとConvNeXt-Tinyのハイブリッドモデルを活用した,IoT環境用軽量侵入検知システム(IDS)を提案する。 提案手法は,ネットワーク攻撃の種類,特にボットネットと悪意のあるトラフィックを検出・分類するために設計されており,軽量なConvNeXt-Tinyアーキテクチャはリソース制約されたデバイスやネットワークへの効果的な展開を可能にする。
  論文  参考訳（メタデータ） (2025-09-07T20:32:38Z)
• FedMADE: Robust Federated Learning for Intrusion Detection in IoT Networks Using a Dynamic Aggregation Method [7.842334649864372]
  さまざまな分野にわたるIoT(Internet of Things)デバイスは、深刻なネットワークセキュリティ上の懸念をエスカレートしている。 サイバー攻撃分類のための従来の機械学習(ML)ベースの侵入検知システム(IDS)は、IoTデバイスからトラフィック分析のための集中サーバへのデータ送信を必要とし、深刻なプライバシー上の懸念を引き起こす。 我々はFedMADEという新しい動的アグリゲーション手法を紹介した。この手法はデバイスをトラフィックパターンによってクラスタリングし、その全体的なパフォーマンスに対する貢献に基づいてローカルモデルを集約する。
  論文  参考訳（メタデータ） (2024-08-13T18:42:34Z)
• 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)
• Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic Monitoring of MUD Activity [1.294952045574009]
  異常に基づく検出手法は、新たな攻撃を見つける上で有望である。 偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。 本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
  論文  参考訳（メタデータ） (2023-04-11T05:17:51Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• Lightweight Collaborative Anomaly Detection for the IoT using Blockchain [40.52854197326305]
  モノのインターネット(IoT)デバイスには、攻撃者によって悪用される可能性のある多くの脆弱性がある傾向がある。 異常検出のような教師なしの技術は、これらのデバイスをプラグ・アンド・プロテクトで保護するために使用することができる。 Raspberry Pi48台からなる分散IoTシミュレーションプラットフォームを提案する。
  論文  参考訳（メタデータ） (2020-06-18T14:50:08Z)

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。