論文の概要: GCTAuto-encoder: A Cross modal Framework for Security Flaw Detection in IoT Networks

• arxiv url: http://arxiv.org/abs/2610.06517v1
• Date: Mon, 05 Oct 2026 15:31:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 07:50:38.157243
• Title: GCTAuto-encoder: A Cross modal Framework for Security Flaw Detection in IoT Networks
• Title（参考訳）: GCTAuto-Encoder:IoTネットワークにおけるセキュリティ欠陥検出のためのクロスモーダルフレームワーク
• Abstract要約: 本研究は,クラウドベースのIoTフレームワークによって支援されたエッジでの効果的な侵入検出のための,新たなディープラーニングアルゴリズムを提案する。 目的は、マルチメソッドのディープラーニングモデルを評価し、モデル化された注意によるコミュニティ検出を通じて、エッジにおけるIoTシステムの侵入を検出することである。 我々は、エッジインテリジェンスを統合してセキュリティ欠陥を特定する新しいフレームワークであるGCT Auto-Encoderを評価し、そのモデルにより性能と効率が大幅に向上する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: IoT encompasses diverse physical entities, from smart home devices to autonomous vehicles, creating a complex environment with heterogeneous security models. This heterogeneity makes IoT sub-systems vulnerable to various network attacks. Modern security systems must therefore be more robust to ensure security and privacy for IoT applications. A highly secure IoT system also demands real time insight, requiring data collection at the edge of the computing layer. This diversity calls for a unified security model applied at the foundational level. Edge intelligence offers a direct approach to handling device diversity. A key goal of edge intelligence in IoT is to extract insight from local data; security models can then use this data to build local node protections, and integrating AI models yields an advanced security solution. This research proposes a novel deep learning algorithm for effective intrusion detection at the edge, supported by a cloud-based IoT framework. We evaluate the proposed cross modal deep learning algorithm against baseline models. The contribution is a cross domain Deep Neural Network (DNN) algorithm for intrusion detection. The objective is to assess a multi-method deep learning model to detect intrusions in IoT systems at the edge via community detection with modeled attention. We evaluate GCT auto-encoder, a novel framework integrating edge intelligence to identify security flaws. The model significantly improves performance and efficiency. On a network intrusion IoT dataset covering multiple attack scenarios, it achieved 0.908 accuracy, reduced learning loss to 0.00156, and outperformed existing approaches.
• Abstract（参考訳）: IoTは、スマートホームデバイスから自動運転車に至るまで、さまざまな物理的エンティティを含み、異種セキュリティモデルを備えた複雑な環境を作成する。 この異質性により、IoTサブシステムはさまざまなネットワーク攻撃に対して脆弱になる。 したがって、現代的なセキュリティシステムは、IoTアプリケーションのセキュリティとプライバシを保証するために、より堅牢でなければならない。 高度にセキュアなIoTシステムは、リアルタイムの洞察を必要とし、コンピューティング層の端でデータ収集を必要とする。 この多様性は、基礎レベルで適用される統一されたセキュリティモデルを要求する。 エッジインテリジェンスは、デバイスの多様性を扱うための直接的なアプローチを提供する。 IoTにおけるエッジインテリジェンスの主な目標は、ローカルデータから洞察を抽出することだ。セキュリティモデルは、このデータを使用してローカルノード保護を構築し、AIモデルを統合することで、高度なセキュリティソリューションが得られる。 本研究は,クラウドベースのIoTフレームワークによって支援されたエッジでの効果的な侵入検出のための,新たなディープラーニングアルゴリズムを提案する。 ベースラインモデルに対して提案したクロスモーダル深層学習アルゴリズムを評価する。 このコントリビューションは、侵入検出のためのクロスドメインディープニューラルネットワーク(DNN)アルゴリズムである。 目的は、マルチメソッドのディープラーニングモデルを評価し、モデル化された注意によるコミュニティ検出を通じて、エッジにおけるIoTシステムの侵入を検出することである。 我々は、エッジインテリジェンスを統合してセキュリティ欠陥を識別する新しいフレームワークであるGCT Auto-Encoderを評価する。 このモデルは性能と効率を大幅に改善する。 複数の攻撃シナリオをカバーするネットワーク侵入IoTデータセットでは、0.908の精度、学習損失の0.00156への削減、既存のアプローチよりも優れたパフォーマンスを実現している。

関連論文リスト

• Privacy-Preserving Distributed Learning in IoT Systems: A Unified Threat Model and Evaluation Framework [45.88028371034407]
  本稿では,IoT環境における分散学習のためのプライバシ保護手法の構造解析を行う。 モデルインバージョン、メンバシップ推論、勾配リーク、通信ベースの攻撃をキャプチャする統合脅威モデルが導入された。 その結果、プライバシーの強さとシステム効率の根本的なトレードオフが浮かび上がっている。
  論文  参考訳（メタデータ） (2026-05-10T00:22:11Z)
• 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)
• Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
  本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。 当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。 この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
  論文  参考訳（メタデータ） (2025-04-22T09:40:05Z)
• Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities [0.0]
  従来の集中型セキュリティ手法は、IoTネットワークにおけるプライバシ保護とリアルタイム脅威検出のバランスをとるのに苦労することが多い。 本研究では,IoT環境に特化したフェデレート学習駆動型サイバーセキュリティフレームワークを提案する。 局所的に訓練されたモデルのセキュアアグリゲーションは、同型暗号を用いて達成され、機密情報を漏らさずに協調学習が可能である。
  論文  参考訳（メタデータ） (2025-02-14T23:11:51Z)
• Smart IoT Security: Lightweight Machine Learning Techniques for Multi-Class Attack Detection in IoT Networks [0.0]
  IoT(Internet of Things)は急速に拡大しており、さまざまなサイバー脅威を緩和するためのセキュアなネットワークを持つことが重要になっている。 本研究は、IoTデバイスのマルチクラス攻撃検出の限界に対処し、新しい機械学習ベースの軽量アンサンブル手法を提案する。
  論文  参考訳（メタデータ） (2025-02-06T13:17:03Z)
• 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)
• 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)
• 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)
• Unsupervised Ensemble Based Deep Learning Approach for Attack Detection in IoT Network [0.0]
  モノのインターネット(Internet of Things, IoT)は、デバイスやものをインターネット上でコントロールすることによって、生活を変えてきた。 IoTネットワークをダウンさせるために、攻撃者はこれらのデバイスを使用してさまざまなネットワーク攻撃を行うことができる。 本稿では,非ラベルデータセットからIoTネットワークにおける新たな,あるいは未知の攻撃を検出可能な,教師なしアンサンブル学習モデルを開発した。
  論文  参考訳（メタデータ） (2022-07-16T11:12:32Z)
• HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection [0.0]
  セキュアでプライバシ保護されたコラボレーティブなIoT侵入検出を実現するために,階層的なブロックチェーンベースのフェデレーション学習フレームワークを提案する。 MLベースの侵入検出フレームワークの提案は、学習プロセスと組織データのプライバシを確保するために、階層的なフェデレーション付き学習アーキテクチャに従っている。 その結果は、データプライバシを保持しながら、広範囲の悪意あるアクティビティを検出できる、セキュアに設計されたMLベースの侵入検知システムである。
  論文  参考訳（メタデータ） (2022-04-08T19:06:16Z)
• 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。