Intelligent IoT Attack Detection Design via ODLLM with Feature Ranking-based Knowledge Base

要約

モノのインターネット（IoT）デバイスの広範な採用は、特に分散型サービス拒否（DDOS）攻撃の頻度と洗練度の増加により、重要なサイバーセキュリティの課題をもたらしました。
従来の機械学習（ML）技術は、混合パターンと進化するパターンの複雑さのために、そのような攻撃を検出するのに不足していることがよくあります。
これに対処するために、インテリジェントIoTネットワーク攻撃検出のための微調整および知識ベース（KB）統合で拡張されたオンデバイスの大手言語モデル（ODLLMS）を活用する新しいフレームワークを提案します。
機能ランキング手法を実装し、モデル能力に合わせて調整された長いKBSと短いKBSの両方を構築することにより、提案されたフレームワークは、計算およびプライバシーの制限を克服しながら、DDO攻撃の効率的かつ正確な検出を保証します。
シミュレーション結果は、特にエッジコンピューティング環境でコンパクトモデルを使用する場合、最適化されたフレームワークが多様な攻撃タイプで優れた精度を達成することを示しています。
この作業は、リアルタイムのIoTセキュリティのためのスケーラブルで安全なソリューションを提供し、サイバーセキュリティにおけるエッジインテリジェンスの適用性を向上させます。

要約(オリジナル)

The widespread adoption of Internet of Things (IoT) devices has introduced significant cybersecurity challenges, particularly with the increasing frequency and sophistication of Distributed Denial of Service (DDoS) attacks. Traditional machine learning (ML) techniques often fall short in detecting such attacks due to the complexity of blended and evolving patterns. To address this, we propose a novel framework leveraging On-Device Large Language Models (ODLLMs) augmented with fine-tuning and knowledge base (KB) integration for intelligent IoT network attack detection. By implementing feature ranking techniques and constructing both long and short KBs tailored to model capacities, the proposed framework ensures efficient and accurate detection of DDoS attacks while overcoming computational and privacy limitations. Simulation results demonstrate that the optimized framework achieves superior accuracy across diverse attack types, especially when using compact models in edge computing environments. This work provides a scalable and secure solution for real-time IoT security, advancing the applicability of edge intelligence in cybersecurity.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google