DEA-IDS: ドリフトを考慮した特徴量選択と少数ショット適応によるドメイン間IoT–IoMT侵入検知
DEA-IDS: Drift-Aware Feature Selection and Few-Shot Adaptation for Cross-Domain IoT–IoMT Intrusion Detection
本研究は、IoTおよびIoMT環境における侵入検知システム(IDS)の課題に対処するため、DEA-IDS(Drift-aware, Explainable and Adaptive Intrusion Detection System)という統一フレームワークを提案する。DEA-IDSは、SHAPベースの説明可能性、コルモゴロフ–スミルノフ統計量とワッサースタイン距離による統計的ドリフト分析、ドリフトを考慮した安定した特徴量選択、および少数ショット適応を統合している。CICIoT2023からCICIoMT2024へのドメイン間転移シナリオで評価された結果、DEA-IDSは偽陽性率(FPR)を0.5468から0.0004に大幅に削減し、F1スコアは0.9944を維持した。この改善は、特徴量の安定性を明示的にモデル化することで、異種IoT–IoMT環境におけるドメイン間侵入検知の運用上の堅牢性が向上することを示している。ただし、高トラフィックのフラッド型攻撃における検出は向上する一方で、ARPスプーフィング、不正なMQTT、偵察トラフィックの検出は低下するという限界も報告されている。
- DEA-IDS(ドリフト考慮・説明可能・適応型IDS)という統一フレームワークを提案。SHAPによる説明可能性、コルモゴロフ–スミルノフ統計量とワッサースタイン距離による統計的ドリフト分析、ドリフト考慮型の安定特徴量選択、少数ショット適応を統合。
- CICIoT2023からCICIoMT2024へのドメイン間転移シナリオで評価し、偽陽性率(FPR)を0.5468から0.0004へ削減、F1スコア0.9944を維持。
- 高トラフィックのフラッド型攻撃の検出は向上する一方、ARPスプーフィング、不正MQTT、偵察トラフィックの検出は低下するという限界を報告。
学術研究段階の侵入検知フレームワークであり直接の収益源ではないが、IoT/IoMTのセキュリティ運用における誤検知(FPR)を0.5468→0.0004へほぼゼロにしつつF1 0.9944を維持した点は、運用コスト削減とアラート疲れ解消に効く数値。ドメイン間転移(IoT→IoMT)でそのまま性能が出るなら、マルチテナント/異種環境のセキュリティ製品に組み込みやすい。ただしARPスプーフィングや不正MQTTなど低ノイズ攻撃の検出力が落ちる限界が明示されており、商用IDS/医療機器セキュリティへの応用は高トラフィック攻撃偏重のリスクを織り込む必要がある。