セキュアなIIoTおよびIoMT環境のための、SE強化ViTとBiLSTMに基づく侵入検知

Abstract

産業用および医療用インターネット・オブ・シングス（IIoTおよびMIoT）エコシステムにおける相互接続されたデバイスの急速な成長に伴い、サイバー脅威を適時かつ正確に検出することは、重要な課題となっています。本研究は、ハイブリッド型のSqueeze-and-Excitation Attention Vision Transformer-Bidirectional Long Short-Term Memory（SE ViT-BiLSTM）アーキテクチャに基づく高度な侵入検知フレームワークを提案します。この設計では、Vision Transformerの従来のマルチヘッド・アテンション機構をSqueeze-and-Excitationアテンションに置き換え、検出精度と計算効率を高めるためにBiLSTM層と統合します。提案モデルは、2つの実世界のベンチマークデータセットで学習・評価されました。EdgeIIoTおよびCICIoMT2024です。いずれも、Synthetic Minority Over-sampling Technique（SMOTE）とRandomOverSamplerを用いたデータバランシングの前後の両方で行いました。実験結果は、SE ViT-BiLSTMモデルが複数の指標において既存手法を上回ることを示しています。データバランシング前、モデルはEdgeIIoTで99.11%の精度（FPR: 0.0013%、レイテンシ: 0.00032 sec/inst）、CICIoMT2024で96.10%の精度（FPR: 0.0036%、レイテンシ: 0.00053 sec/inst）を達成しました。バランシング後には性能がさらに向上し、EdgeIIoTでは99.33%の精度でレイテンシ0.00035 sec/inst、CICIoMT2024では98.16%の精度でレイテンシ0.00014 sec/instに到達しました。