論文の概要: A Deployment-Aware Feasibility Framework for Machine Learning-Based IoT Intrusion Detection Across Edge, Fog, and Cloud Architectures
- arxiv url: http://arxiv.org/abs/2610.08867v1
- Date: Tue, 06 Oct 2026 02:30:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.518842
- Title: A Deployment-Aware Feasibility Framework for Machine Learning-Based IoT Intrusion Detection Across Edge, Fog, and Cloud Architectures
- Title（参考訳）: エッジ、フォッグ、クラウドアーキテクチャ全体にわたる機械学習によるIoT侵入検出のためのデプロイ対応フィージビリティフレームワーク
- Abstract要約: Internet of Things(IoT)環境は、従来のルールベースおよびシグネチャベースの侵入検知システムの基本的制限を明らかにしている。
本稿では,エッジ,フォグ/ゲートウェイ,クラウドアーキテクチャにまたがる機械学習(ML)による侵入検知手法の定量的展開認識分析について述べる。
- 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: The rapid growth and heterogeneity of Internet of Things (IoT) environments have exposed fundamental limitations in traditional rule-based and signature-based intrusion detection systems. This paper presents a quantitative deployment-aware analysis of machine learning (ML)-based intrusion detection approaches across edge, fog/gateway, and cloud architectures. Unlike prior surveys that primarily emphasize detection accuracy, this work defines representative quantitative deployment capability envelopes extracted from experimental and system-level studies and introduces a structured Deployment Feasibility Score (DFS) model. The proposed framework maps ML techniques to architectural layers based on computational demand, memory footprint, and latency sensitivity using a weighted ordinal scoring mechanism. The analysis demonstrates that lightweight statistical and linear models are most suitable for edge deployment, ensemble and clustering-based methods align with fog/gateway environments, while deep and optimization-driven models are best suited for cloud infrastructures. By formalizing deployment feasibility through quantitative grounding and structured evaluation, this work provides practical guidance for selecting intrusion detection solutions under real-world architectural constraints, supporting more informed and deployment-conscious IoT security design.
- Abstract（参考訳）: IoT(Internet of Things)環境の急速な成長と不均一性により、従来のルールベースおよびシグネチャベースの侵入検知システムの基本的制限が明らかになった。
本稿では,エッジ,フォグ/ゲートウェイ,クラウドアーキテクチャにまたがる機械学習(ML)による侵入検知手法の定量的展開認識分析について述べる。
検出精度を主に重視する以前の調査とは異なり、本研究では、実験およびシステムレベルの研究から抽出された定量的な展開能力の包絡を定義し、構造化されたデプロイメントフィージビリティスコア(DFS)モデルを導入する。
提案するフレームワークは,計算要求,メモリフットプリント,遅延感度に基づいてML手法をアーキテクチャ層にマッピングする。
この分析は、軽量な統計モデルと線形モデルは、エッジデプロイメント、アンサンブル、クラスタリングベースの手法がフォグ/ゲートウェイ環境と整合しているのに対して、深層および最適化駆動モデルはクラウドインフラに最も適していることを示している。
本研究は,定量的基盤化と構造化評価によるデプロイメント実現可能性の形式化によって,実際のアーキテクチャ制約の下で侵入検出ソリューションを選択するための実践的なガイダンスを提供するとともに,より情報に富んだ,デプロイメントを意識したIoTセキュリティ設計をサポートする。
関連論文リスト
- IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - Resource-Aware Deployment Optimization for Collaborative Intrusion Detection in Layered Networks [2.63128125113531]
サイバー攻撃に対抗するために、CIDS(Collaborative Intrusion Detection Systems)がますます採用されている。
分散クリティカルインフラストラクチャは、民間ドメインと軍事ドメインの両方のドローンのような急速に進化する環境で運用されるため、これらの動的変化に柔軟に対応可能なCIDSアーキテクチャの必要性はますます高まっている。
多様な分散環境にまたがるデプロイを容易にするための新しいCIDSフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T11:42:58Z) - RooflineBench: A Benchmarking Framework for On-Device LLMs via Roofline Analysis [53.90240071275054]
SLM(Small Language Models)によるローカライズドインテリジェンスへの移行により、リソース制約のあるエッジハードウェア上での厳密なパフォーマンス評価の必要性が高まっている。
運用強度レンズ(OI)によるアーキテクチャプリミティブとハードウェア制約を統一する体系的フレームワークを提案する。
推論-ポテンシャル領域を定義することにより、同一ハードウェア基板上のLarge Language Models(LLM)の効率差を比較するための新しい指標として、相対推論ポテンシャルを導入する。
論文 参考訳（メタデータ） (2026-02-12T03:02:22Z) - Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。
直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。
我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
論文 参考訳（メタデータ） (2026-01-26T03:52:16Z) - 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) - CogRail: Benchmarking VLMs in Cognitive Intrusion Perception for Intelligent Railway Transportation Systems [29.385460126069386]
我々は、キュレートされたデータセットと認知駆動型質問応答アノテーションを統合した新しいベンチマーク、CogRailを紹介した。
このベンチマークに基づいて、我々は最先端のビジュアル言語モデルの体系的な評価を行う。
本稿では,3つの中核的タスク,位置知覚,移動予測,脅威分析を統合したファインチューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-14T16:36:26Z) - Real-Time Machine Learning for Embedded Anomaly Detection [0.0]
リソース制約のあるモノのインターネット環境と組み込みデバイスの普及は、エッジで発生する異常のリアルタイム検出に圧力をかけています。
本調査では,レイテンシ,メモリ,消費電力に極めて厳しい制約を課したデバイス上の異常検出を目的とした機械学習手法の概要について述べる。
論文 参考訳（メタデータ） (2025-12-22T13:27:23Z) - Security-Robustness Trade-offs in Diffusion Steganography: A Comparative Analysis of Pixel-Space and VAE-Based Architectures [9.052172453384332]
本研究は,キャパシティ・アウェア・アダプティブ・最適化によってキャパシティ・アウェア・アダプティブ・最適化によって調整されたスケールファクタによって支配される近似ガウス写像に基づく効率的なフレームワークを導入する。
この枠組みを統合解析ツールとして用いて, 画素空間モデルにおけるステガノグラフィーの系統的比較分析を行い, VAEに基づく潜在空間システムと比較した。
論文 参考訳（メタデータ） (2025-10-08T16:53:52Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳（メタデータ） (2020-12-01T11:46:03Z)
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。