IoTインラインマルウェア検出のためのスワームアーキテクチャにおける機械学習モデルのオーケストレーション

科学分野:

• サイバーセキュリティ
• 機械学習
• モノのインターネット (IoT)

背景:

• IoTエコシステムは急速に拡大しており、サイバー脅威に対する脆弱性が高まっています。
• IoTデバイスの脆弱性は、悪意のある攻撃者にとって格好の標的となり、重大なセキュリティリスクをもたらしています。
• 既存のスタンドアロン型脅威検出システムは、複雑なIoTランドスケープを保護するには不十分です。

研究 の 目的:

• 強化されたIoTセキュリティのための革新的なSwarm-based Inline Machine Learning (SIML) アプローチを導入すること。
• IoT環境における新たなマルウェアの脅威に対抗するための、分散型のエンドツーエンドのセキュリティソリューションを開発すること。
• IoTデバイスが悪用されてサイバー攻撃を開始するリスクを軽減すること。

主な方法:

• 提案されたSwarm-based Inline Machine Learning (SIML) アプローチは、連携したスワームデータ処理を活用します。
• 勾配ブースティングツリーアルゴリズムを、脅威検出のためのSIMLフレームワーク内で適用しました。
• UNSW-NB15、BoT-Iot、およびEdge-IIoTsetデータセットを使用して厳密なテストを実施しました。

主要な成果:

• SIMLアプローチは、UNSW-NB15データセットで93.7%の精度率と95%の適合率を達成しました。
• 勾配ブースティングアルゴリズムは、インライン設定において従来のメソッドよりも優れたパフォーマンスを示しました。
• この手法は、BoT-IotおよびEdge-IIoTsetデータセットで優れたパフォーマンスを示し、スループットが高い場合でもわずかな低下にとどまりました。

結論:

• SIMLは、サイバー脅威からIoT環境を保護するための、堅牢で分散型かつ効果的なソリューションを提供します。
• 提案された手法は、IoTデバイスのセキュリティを大幅に強化し、悪用に対する脆弱性を低減します。
• この研究は、高度なIoTセキュリティ対策を通じて、より安全で回復力のあるデジタル未来に貢献します。