SECURITYセキュリティ
IIoTにおけるマルチクラス侵入検知の最適化:ハイイロオオカミ最適化と機械学習分類器を用いた高度な特徴選択
Optimizing multi-class intrusion detection in IIoT: advanced feature selection using grey wolf optimizer and machine learning classifiers
FIFrontiers in Artificial Intelligence · CC BY 4.0
AIが原文を翻訳・要約しています
本研究では、ハイイロオオカミ最適化(GWO)を活用した固定トップk特徴ランキングフレームワークを提案し、IIoT(産業用IoT)環境におけるマルチクラス侵入検知の予測性能と計算効率の両立を図った。CIC IIoT Dataset 2025を用いた評価では、ランダムフォレストと決定木がわずか10個の特徴量(元モデルから85.92%削減)を用いて0.9389および0.9330のマクロF1スコアを達成した。また、Edge-IIoTsetを用いた二次ベンチマーク検証により、特徴選択の効果がデータセット依存であることが示されている。
KEY POINTS要点記事から抽出した重要情報
- ハイイロオオカミ最適化を用いた特徴ランキングフレームワークにより、わずか10個の特徴量で高いマクロF1スコアを達成した。
CONTEXT文脈編集部による背景整理
IIoT環境における侵入検知の高度化と計算効率の改善は、産業インフラのサイバーセキュリティ投資において重要なアプローチですが、本研究はアカデミアのベンチマーク検証段階であり、直近の商用プロダクトへの組み込みや大きな市場インパクトには直接結びつかないため、投資判断上の優先度は低いと評価します。
原文を読むAnalyzed at 2026年10月5日 15:02