論文の概要: Evasion Attacks on Cost-Utility-Based Adversarial Training for Online AutoML in IoT Networks

• arxiv url: http://arxiv.org/abs/2609.31981v1
• Date: Fri, 25 Sep 2026 20:37:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 04:07:54.065474
• Title: Evasion Attacks on Cost-Utility-Based Adversarial Training for Online AutoML in IoT Networks
• Title（参考訳）: IoTネットワークにおけるオンラインオートMLの費用対効果に基づく逆行訓練への侵入攻撃
• Abstract要約: 本研究は,IoTネットワークのオンラインAutoMLコンテキストにおいて,ブラックボックス回避攻撃が費用対効果に基づく敵の防御戦略に与える影響を評価する。 具体的には,Hoeffding Tree (HT), Leveraging Bagging (LB), Streaming Random Patches (SRP), Hoeffding Adaptive Tree (HAT), Adaptive Random Forest (ARF)などのオンライン学習者に対して,回避攻撃を適用した。
• 参考スコア（独自算出の注目度）: 3.7781558821014394
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As Internet of Things (IoT) networks increasingly depend on machine learning for anomaly, malware, intrusion detection, and network monitoring, such systems have become attractive targets for evasion attacks. Evasion attacks pose a major security risk because an adversary intentionally modifies input data to mislead a trained model into producing incorrect predictions while evading detection. This study evaluates the impact of black-box evasion attacks on a cost-utility-based adversarial training defense strategy in an Online AutoML context for IoT networks. Specifically, evasion attacks were applied to online learners, including Hoeffding Tree (HT), Leveraging Bagging (LB), Streaming Random Patches (SRP), Hoeffding Adaptive Tree (HAT), and Adaptive Random Forest (ARF). By developing naive and adversarially trained (AT) versions of these online learners, we generated clean and adversarial accuracies for each model. The results show that the AT versions of LB and SRP performed best, achieving the highest adversarial accuracy (0.985) and high clean accuracy (0.993) at the highest cost budget of 1.00, with a maximum accuracy reduction of only 0.8%. Finally, drift detection was conducted using the Early Drift Detection Method (EDDM).
• Abstract（参考訳）: モノのインターネット(IoT)ネットワークは、異常、マルウェア、侵入検知、ネットワーク監視といった機械学習にますます依存しているため、このようなシステムは回避攻撃の魅力的なターゲットとなっている。 侵入攻撃は、敵が意図的に入力データを修正して、訓練されたモデルを誤認して、検出を回避しながら誤った予測を発生させるため、大きなセキュリティリスクを引き起こす。 本研究は,IoTネットワークのオンラインAutoMLコンテキストにおいて,ブラックボックス回避攻撃が費用対効果に基づく敵の防御戦略に与える影響を評価する。 具体的には,Hoeffding Tree (HT), Leveraging Bagging (LB), Streaming Random Patches (SRP), Hoeffding Adaptive Tree (HAT), Adaptive Random Forest (ARF)などのオンライン学習者に対して,回避攻撃を適用した。 これらのオンライン学習者のナイーブおよび逆習(AT)バージョンを開発することにより、各モデルに対してクリーンかつ逆習的な精度を発生させることができた。 その結果,AT版LBとSRPは最高性能を示し,最大対向精度(0.985)と高清浄度(0.993)を1.00の高コストで達成し,最大精度は0.8%に留まった。 最後に,Early Drift Detection Method (EDDM)を用いてドリフト検出を行った。

関連論文リスト

• A Cross-Dataset based Zero-Day Intrusion Detection System by Integrating Siamese Network and Reinforcement Learning [0.0]
  本稿では,シームズネットワークに基づく異常相関と強化学習に基づく適応防御を用いたハイブリッドゼロデイ侵入検知システムを提案する。 このシステムは、精度、レイテンシ、偽陽性の間の適切なバランスを見つけることによって、IoTデプロイメントの自己学習と防御のメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-08-06T03:22:05Z)
• Lightweight LLMs for Network Attack Detection in IoT Networks [0.7879756662633696]
  Internet of Things(IoT)デバイスは、サイバー攻撃の規模と多様性を高め、従来の侵入検知システムに制限を課している。 本研究では、構造化テキスト変換、QLoRA(Quantized Low-Rank Adaptation)ファインチューニング、Retrieval-Augmented Generation(RAG)を統合したIoT攻撃検出のための軽量デコーダ専用大規模言語モデル(LLM)について検討する。
  論文  参考訳（メタデータ） (2026-01-21T18:52:26Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Unlearn and Burn: Adversarial Machine Unlearning Requests Destroy Model Accuracy [65.80757820884476]
  未学習システムのデプロイにおいて、重要で未調査の脆弱性を公開しています。 本稿では,訓練セットに存在しないデータに対して,逆学習要求を送信することにより,攻撃者がモデル精度を劣化させることができる脅威モデルを提案する。 我々は、未学習要求の正当性を検出するための様々な検証メカニズムを評価し、検証の課題を明らかにする。
  論文  参考訳（メタデータ） (2024-10-12T16:47:04Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Combating Adversaries with Anti-Adversaries [118.70141983415445]
  特に、我々の層は、逆の層とは反対の方向に入力摂動を生成します。 我々は,我々の階層と名目および頑健に訓練されたモデルを組み合わせることで,我々のアプローチの有効性を検証する。 我々の対向層は、クリーンな精度でコストを伴わずにモデルロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-03-26T09:36:59Z)
• Adversarial defense for automatic speaker verification by cascaded self-supervised learning models [101.42920161993455]
  ますます悪意のある攻撃者は、自動話者検証(ASV)システムで敵攻撃を仕掛けようとする。 本稿では,逐次的自己教師付き学習モデルに基づく標準的かつ攻撃非依存な手法を提案する。 実験により, 本手法は効果的な防御性能を実現し, 敵攻撃に対抗できることを示した。
  論文  参考訳（メタデータ） (2021-02-14T01:56:43Z)
• How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
  我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。 本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。 我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
  論文  参考訳（メタデータ） (2020-12-02T15:30:21Z)
• Learn2Perturb: an End-to-end Feature Perturbation Learning to Improve Adversarial Robustness [79.47619798416194]
  Learn2Perturbは、ディープニューラルネットワークの対角的堅牢性を改善するために、エンドツーエンドの機能摂動学習アプローチである。 予測最大化にインスパイアされ、ネットワークと雑音パラメータを連続的にトレーニングするために、交互にバックプロパゲーショントレーニングアルゴリズムが導入された。
  論文  参考訳（メタデータ） (2020-03-02T18:27:35Z)

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。