Accelerating IoV Intrusion Detection: Benchmarking GPU-Accelerated vs CPU-Based ML Libraries

要約

車両のインターネット（IOV）は、洗練された侵入検知システムを必要とする可能性のある挑戦的なサイバーセキュリティ攻撃に直面する可能性があり、迅速な開発と対応システムが必要です。
この研究では、IOV脅威検出環境で使用される機械学習モデルに必要な速度と効率に焦点を当てた、従来のCPUベースの実装（SCIKIT-LEARN）と比較して、GPUアクセラレーションライブラリ（CUML）のパフォーマンスの利点を調査しています。
行われた包括的な評価では、3つの異なるIOVセキュリティデータセット（OTID、GIDS、CICIOV2024）にわたって4つの機械学習アプローチ（ランダムフォレスト、KNN、ロジスティック回帰、XGBoost）を採用しています。
我々の調査結果は、GPUがアクセラレーションした実装により、計算効率が劇的に改善され、トレーニング時間が最大159倍に短縮され、予測速度が従来のCPU処理と比較して最大95倍加速され、すべてが検出の精度を維持していることが示されています。
この驚くべきパフォーマンスのブレークスルーにより、研究者とセキュリティスペシャリストは、今日の接続された車両ネットワークの緊急のリアルタイムセキュリティ需要を満たすより速く、より効果的な脅威検出システムを作成するためのGPU加速を活用できるようになります。

要約(オリジナル)

The Internet of Vehicles (IoV) may face challenging cybersecurity attacks that may require sophisticated intrusion detection systems, necessitating a rapid development and response system. This research investigates the performance advantages of GPU-accelerated libraries (cuML) compared to traditional CPU-based implementations (scikit-learn), focusing on the speed and efficiency required for machine learning models used in IoV threat detection environments. The comprehensive evaluations conducted employ four machine learning approaches (Random Forest, KNN, Logistic Regression, XGBoost) across three distinct IoV security datasets (OTIDS, GIDS, CICIoV2024). Our findings demonstrate that GPU-accelerated implementations dramatically improved computational efficiency, with training times reduced by a factor of up to 159 and prediction speeds accelerated by up to 95 times compared to traditional CPU processing, all while preserving detection accuracy. This remarkable performance breakthrough empowers researchers and security specialists to harness GPU acceleration for creating faster, more effective threat detection systems that meet the urgent real-time security demands of today’s connected vehicle networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google