SHAPを用いた解釈可能なマルチクラスIoT侵入検知のための注意機構統合型深層学習モデル
Attention integrated deep learning models for interpretable multi-class IoT intrusion detection using SHAP
IoTの急速な成長に伴い、サイバーセキュリティにおける侵入検知の重要性が増している。本研究では、注意機構を組み込んだ1次元畳み込みニューラルネットワーク(1D CNN)、Long Short-Term Memory(LSTM)、Gated Recurrent Unit(GRU)といった深層学習フレームワークを用いて、マルチクラスの攻撃検知の精度と効率を向上させることを目的としている。特に、注意機構付き1D CNNは、ネットワークフロー内の関連性の高いパターンに焦点を当て、空間的特徴を抽出する。LSTMとGRUは、時系列データにおける長距離の時間的依存関係を分析し、微妙な異常を特定する。HCRLとKitsuneの2つのIoTデータセットで評価した結果、注意機構付き1D CNNはKitsuneデータセットで98%、HCRLデータセットで87%の最高性能を達成した。SHapley Additive exPlanations(SHAP)を用いた解釈性分析により、個々の特徴量が予測にどのように寄与するかが示され、侵入検知の決定に影響を与える最も重要な特徴量が明らかになった。このアプローチは、空間的および時間的な深層学習コンポーネントを組み合わせることで、インテリジェントなリアルタイムIoTネットワークセキュリティシステムへの展開に適している。
- 注意機構統合型深層学習モデルを用いたマルチクラスIoT侵入検知手法が提案・評価され、Kitsuneデータセットで98%、HCRLデータセットで87%の検知性能を達成した
本論文はIoTネットワークセキュリティ分野における侵入検知システムの高度化を示すものである。特に注意機構を1D CNN/LSTM/GRUに統合し、空間的特徴と時間的依存関係の両方を捉えるアプローチは、リアルタイム検知の精度向上に寄与する。SHAPによる解釈性分析を組み合わせている点も実運用での信頼性獲得に有効。Kitsuneデータセットで98%の検知率を達成したことは、同技術の実用化可能性を示唆しており、IoTセキュリティ関連スタートアップや組み込みセキュリティソリューション企業への投資判断において、技術トレンドとして注目に値する。