関連する実験動画
IoTネットワークにおける連邦侵入検知モデルのデータセット中心評価
Muhammad Ahmad Bilal1, Ihtesham Ul Islam1, Sarmad Idrees2
1Department of Computer Software Engineering, Military College of Signals, National University of Sciences and Technology, Islamabad, Pakistan.
Scientific reports
|January 16, 2026
まとめ
IoTにおける侵入検知のための連邦学習は有望であるが、多様なデータセット間での一般化に苦労している。データセットの組み合わせとFedProxやFedNovaのような高度なアルゴリズムの使用が、パフォーマンスと効率を向上させる。
科学分野:
- サイバーセキュリティ
- 機械学習
- Internet of Things (IoT)
背景:
- 連邦学習（FL）は、IoTにおけるプライバシー保護侵入検知システム（IDS）にとって重要です。
- FLベースのIDSの一般化能力は、単一データセットの評価と非IIDデータによって制限されています。
結論:
- 堅牢なIDSのためには、組み合わせデータセットFLを通じて多様な攻撃および環境データを優先することが鍵となります。
- Transformerバックボーンは利点を提供し、FedProx/FedNovaは制約のあるIoT環境のトレーニングを最適化します。
- FL-IDSは、効果的な実世界展開のために、慎重なデータセット選択とアルゴリズム選択が必要です。
