Deep-IFS：フォグ環境における産業用IoTトラフィックの侵入検知アプローチ

産業用IoT（IIoT）技術の広範な普及は、侵入者がエンドユーザーデータのセキュリティとサービスプロバイダーが提供するサービスの安全性を維持するために特定する必要があるさまざまな攻撃を開始することを促しています。深層学習（DL）、特に再帰的アプローチは、IIoTのフォレンジック分析に成功裏に適用されていますが、再帰的DLモデルの主要な課題は、長いトラフィックシーケンスに対処することが難しく、並列化できないことです。マルチヘッドアテンション（MHA）はこの欠点に対処しようとしましたが、IIoTトラフィックシーケンスのローカル表現を捉えることができませんでした。本記事では、IIoTトラフィックにおける侵入を特定するためのフォレンジックベースのDLモデル（Deep-IFSと呼ばれる）を提案します。このモデルは、ローカルゲート付き再帰ユニット（LocalGRU）を使用してローカル表現を学習し、グローバル表現（すなわち、長距離依存性）を捉え学習するためにMHAレイヤーを導入します。レイヤー間の残差接続が設計されており、情報の損失を防ぎます。現在のIIoTフォレンジックフレームワークが直面している別の課題は、限られたスケーラビリティであり、これがIIoTデバイスによって生成されるビッグIIoTトラフィックデータの処理能力を制限しています。この課題は、提案されたDeep-IFSをフォグコンピューティング環境で展開し、トレーニングすることで対処されます。モデルのトレーニングのために計算およびIIoTトラフィックデータをワーカーフォグノードに分散させることによって、侵入特定はスケーラブルになります。マスターフォグノードはトレーニングパラメータを共有し、ワーカーノードの出力を集約する責任があります。集約された分類出力は、その後、攻撃を軽減するためにクラウドプラットフォームに渡されます。Bot-IIoTデータセットの経験的結果は、開発された分散型Deep-IFSが現在の集中型DLベースのフォレンジック技術と比較して、ビッグIIoTトラフィックデータを効果的に処理できることを示しています。さらに、結果は様々な評価指標にわたる提案されたDeep-IFSの堅牢性を確認します。