論文の概要: Cybersecurity in Edge Computing: A Trust-Aware Federated Hybrid Intrusion Detection Framework

• arxiv url: http://arxiv.org/abs/2609.39584v1
• Date: Wed, 30 Sep 2026 12:12:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.666359
• Title: Cybersecurity in Edge Computing: A Trust-Aware Federated Hybrid Intrusion Detection Framework
• Title（参考訳）: エッジコンピューティングにおけるサイバーセキュリティ - 信頼を意識したハイブリッド侵入検出フレームワーク
• Abstract要約: 本稿では,Trust-Aware Federated Hybrid Intrusion Detection Framework (TA-FHIDF)を提案する。 オートエンコーダ、1次元畳み込みニューラルネットワーク(1D-CNN)、双方向長短期メモリ(BiLSTM)モデルを、統一された局所的なディープラーニングエンジンに統合する。 敵の攻撃シナリオ下では、より優れた検出精度、迅速な収束、高いビザンチンの耐障害性を提供する。
• 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: Edge computing has emerged as a critical computing paradigm in modern distributed systems by migrating data processing closer to end users and Internet of Things (IoT) devices. While this paradigm decentralizes processes, minimizes latency, and reduces backhaul bandwidth congestion, it exponentially enlarges the cyberattack surface. Heterogeneous, resource-constrained edge devices deployed across unmanaged administrative domains present highly vulnerable targets. To address these vulnerabilities without compromising global data privacy regulations, this paper proposes a novel Trust-Aware Federated Hybrid Intrusion Detection Framework (TA-FHIDF). The proposed framework integrates an Autoencoder, a 1D Convolutional Neural Network (1D-CNN), and a Bidirectional Long Short-Term Memory (BiLSTM) model into a unified, localized deep learning engine capable of autonomous spatial and temporal feature extraction. Model training is performed collaboratively via federated learning, ensuring raw network telemetry remains isolated at local gateways. Furthermore, to defend against adversarial model poisoning attacks, we introduce a robust server-side trust-aware aggregation mechanism that evaluates client reliability using a cosine similarity metric before global model integration. Empirical evaluations across multi-vector benchmark datasets (UNSW-NB15, CICIDS2017, and Edge-IIoTset) demonstrate the framework's superior detection accuracy, rapid convergence, and high Byzantine fault tolerance under adversarial attack scenarios.
• Abstract（参考訳）: エッジコンピューティングは、エンドユーザに近いデータ処理とIoT(Internet of Things)デバイスを移行することで、現代の分散システムにおいて重要なコンピューティングパラダイムとして登場した。 このパラダイムはプロセスの分散化、レイテンシの最小化、バックホール帯域の混雑の低減を図っているが、サイバー攻撃面を指数関数的に拡大している。 不均一でリソースに制約のあるエッジデバイスは、管理されていない管理ドメインにデプロイされ、非常に脆弱なターゲットとなる。 グローバルなデータプライバシ規制を損なうことなく,これらの脆弱性に対処するために,Trust-Aware Federated Hybrid Intrusion Detection Framework (TA-FHIDF)を提案する。 提案フレームワークは,オートエンコーダ,1次元畳み込みニューラルネットワーク(1D-CNN),双方向長短期記憶(BiLSTM)モデルを,自律的空間的・時間的特徴抽出が可能な局所的深層学習エンジンに統合する。 モデルトレーニングは、フェデレートラーニングを通じて協調的に行われ、ローカルゲートウェイで生のネットワークテレメトリが分離されることを保証する。 さらに、敵モデル中毒攻撃に対する防御として、グローバルモデル統合前のコサイン類似度尺度を用いてクライアントの信頼性を評価する、堅牢なサーバ側信頼度対応アグリゲーション機構を導入する。 マルチベクターベンチマークデータセット(UNSW-NB15、CICIDS2017、Edge-IIoTset)にわたる実証的な評価は、敵の攻撃シナリオ下で、フレームワークの優れた検出精度、迅速な収束、高ビザンチン耐障害性を示す。

関連論文リスト

• CANS: Accelerating Multiuser Collaborative Edge Inference via Cooperative Autodidactic NeuroSurgeon [46.896701137872604]
  モバイルエッジコンピューティング(MEC)による協調型ディープニューラルネットワーク(DNN)推論は、リソース制約のあるモバイルデバイスにインテリジェントなサービスを提供するための有望なアプローチとして登場した。 我々は、協調的エッジ推論フレームワークであるCooperative Autodidactic NeuroSurgeon (CANS)を提案し、オンライン推論中に情報的フィードバックを共有することで、デバイスが最適なDNNパーティションを適応的に学習できるようにする。 特に2つのエッジデバイスにおける試作実験において,提案したCANSは,非協調的ベースラインと比較して,平均推論遅延を最大50%削減した。
  論文  参考訳（メタデータ） (2026-06-08T08:14:22Z)
• FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
  ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。 現在の最先端のボット検出モデルは、主に独立して開発されている。 クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
  論文  参考訳（メタデータ） (2026-04-12T15:13:41Z)
• FRIEND: Federated Learning for Joint Optimization of multi-RIS Configuration and Eavesdropper Intelligent Detection in B5G Networks [3.809709581796032]
  We present a novel framework for detection malicious users in RIS-enhanced cell-free mmWave network using Federated Learning (FL) using Federated Learning (FL)。 FLとMulti-RISの連携は,ベースライン非RIS支援法と比較して,達成された秘密保持率(SR)を約30%向上させることを示した。 この研究は、次世代IIoTデプロイメントに適した物理的レイヤの盗聴検出に対する、分散されたプライバシ保護アプローチを確立する。
  論文  参考訳（メタデータ） (2026-03-11T17:02:40Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Tri-LLM Cooperative Federated Zero-Shot Intrusion Detection with Semantic Disagreement and Trust-Aware Aggregation [5.905949608791961]
  本稿では,言語に基づくセマンティック管理をフェデレーション最適化に組み込んだ,セマンティックス駆動のフェデレーションIDSフレームワークを提案する。 このフレームワークは、目に見えない攻撃パターンに対して80%以上のゼロショット検出精度を達成し、類似性に基づくベースラインと比較してゼロデイ識別を10%以上改善する。
  論文  参考訳（メタデータ） (2026-01-30T16:38:05Z)
• A Federated Fine-Tuning Paradigm of Foundation Models in Heterogenous Wireless Networks [43.049216349313575]
  エッジデバイスは、基地局とのファインチューニングのためのLoRAモジュールを動的に切り替え、異種伝送の影響を緩和する。 計算複雑性の問題を解決するために,オンライン最適化アルゴリズムを開発した。 SST-2およびQNLIデータセットのシミュレーション結果は、試験精度とエネルギー効率における性能向上を示す。
  論文  参考訳（メタデータ） (2025-09-05T06:38:36Z)
• Integrated Simulation Framework for Adversarial Attacks on Autonomous Vehicles [42.02003282828958]
  本稿では,AVの知覚層と通信層の両方を対象とする敵攻撃を生成するための,新たなオープンソース統合シミュレーションフレームワークを提案する。 我々の実装は、V2Xメッセージ操作やGPSスプーフィングといった通信レベルの脅威と共に、LiDARセンサデータに対する多様な認識レベル攻撃をサポートしている。 本研究では, 現状の3Dオブジェクト検出器に対する, 生成した逆方向シナリオの影響を評価することで, フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-08-31T20:53:08Z)
• Distributed Threat Intelligence at the Edge Devices: A Large Language Model-Driven Approach [0.0]
  エッジデバイス上の分散脅威インテリジェンスは、リソース制約されたエッジデバイス上でのサイバーセキュリティを強化するための有望なパラダイムである。 このアプローチでは、エッジデバイスに直接軽量機械学習モデルをデプロイして、ネットワークトラフィックやシステムログなどのローカルデータストリームをリアルタイムで分析する。 提案するフレームワークは,ネットワークからエッジデバイスを分離することで,サイバー脅威の検出と緩和において,より優れたセキュリティを提供することにより,エッジコンピューティングのセキュリティを向上させることができる。
  論文  参考訳（メタデータ） (2024-05-14T16:40:37Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。