Détection d'intrusions fédérée et semi-supervisée pour l'IoT - Mines Saint-Étienne
Conference Papers Year : 2022

Détection d'intrusions fédérée et semi-supervisée pour l'IoT

Abstract

Le modèle FLuIDS combine apprentissages fédéré et semisupervisé. De petits appareils (IoT) co-construisent un système de détection d'intrusions respectueux de la vie privée à moindre coût.

Domains

Artificial Intelligence [cs.AI]
Fichier principal
Vignette du fichier
13-IoTIA-PFIA-2022.pdf (73.74 Ko) Télécharger le fichier
Origin Files produced by the author(s)
Licence
Attribution

Florent Breuil  : Connect in order to contact the contributor

https://hal-emse.ccsd.cnrs.fr/emse-04217743

Submitted on : Tuesday, September 26, 2023-9:32:29 AM

Last modification on : Wednesday, September 18, 2024-3:36:18 AM

Long-term archiving on : Wednesday, December 27, 2023-6:27:21 PM

Download

Dates and versions

emse-04217743 , version 1 (26-09-2023)

Licence

Attribution

Identifiers

  • HAL Id : emse-04217743 , version 1

Cite

Ons Aouedi, Kandaraj Piamrat, Guillaume Muller, Kamal Singh. Détection d'intrusions fédérée et semi-supervisée pour l'IoT. Plate-Forme Intelligence Artificielle : Internet des Objets et Intelligence Artificielle, Jun 2022, Saint-Etienne, France. ⟨emse-04217743⟩

Export

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

UNIV-ST-ETIENNE EMSE IOGS CNRS INRIA EC-NANTES PARISTECH UNAM LS2N LS2N-STACK UDL NANTES-UNIVERSITE LABORATOIRE-HUBERT-CURIEN INSTITUT-MINES-TELECOM
66 View
65 Download

Share

More