脅威耐性のあるIoTネットワークのためのLSTM誘導ホモモルフィック暗号化

科学分野:

• サイバーセキュリティ
• ネットワークセキュリティ
• データプライバシー

背景:

• モノのインターネット（IoT）は、その分散型性質とリソース制約により、重大なセキュリティとプライバシーの課題に直面しています。
• 従来の暗号化や機械学習などの既存のソリューションは、リアルタイムの統合データプライバシーと脅威耐性が不足しています。
• 準同型暗号化（HE）は計算コストが高く、長期短期記憶（LSTM）ネットワークはデータを暗号化するのではなく異常を予測します。

研究 の 目的:

• リアルタイムのプライバシー保護IoTネットワークにおける脅威検出のための新しいハイブリッドシステムであるNeuroCryptを提案すること。
• 高度な暗号化、異常検出、セキュリティ管理技術を統合することにより、既存の方法の制限に対処すること。

主な方法:

• NeuroCryptは、完全準同型暗号化（FHE）とLSTMベースの暗号化された異常検出を組み合わせます。
• 動的鍵管理と多要素認証のためにブロックチェーンを組み込んでいます。
• アーキテクチャは、サイファーテキストパッキング、モデル量子化、並列化された暗号化操作などの技術を使用して、エッジおよびフォグコンピューティングに最適化されています。

主要な成果:

• 提案されたNeuroCryptフレームワークは、実際のデータセットで99.2％の精度を達成しました。
• パフォーマンスは、HEベースのディープニューラルネットワーク（DNN）、連合学習（FL）モデル、LSTM侵入検知システム（IDS）を含む既存の方法と比較評価されました。

結論:

• NeuroCryptは、IoT環境におけるリアルタイムの脅威軽減のためのプライバシー保護、効果的、かつスケーラブルなソリューションを提供します。
• ハイブリッドアプローチは、暗号化、異常検出、および堅牢なセキュリティ管理を正常に統合し、IoTセキュリティを強化します。