Edge AI Solutions for Real-Time IoT Device Threat Monitoring
Notice bibliographique
Résumé
The rapid proliferation of Internet of Things (IoT) devices across industrial, commercial, and consumer environments has significantly expanded the attack surface of modern networks. These devices often operate with limited computational resources, heterogeneous architectures, and minimal built-in security, making them prime targets for cyber threats such as malware infiltration, denial-of-service attacks, and data exfiltration. Traditional cloud-centric security approaches are hindered by latency, bandwidth constraints, and privacy concerns, limiting their ability to provide timely threat detection and response. Edge Artificial Intelligence (Edge AI) offers a transformative solution by enabling real-time threat monitoring directly on or near IoT devices, leveraging localized processing to analyze data streams, detect anomalies, and trigger rapid mitigation without relying on constant cloud connectivity. This paper presents a comprehensive study of Edge AI solutions for IoT threat monitoring, focusing on lightweight machine learning and deep learning models optimized for edge hardware such as microcontrollers, single-board computers, and dedicated AI accelerators. We explore architectural frameworks integrating Edge AI into IoT ecosystems, including distributed threat intelligence, on-device inference, and hybrid edge–cloud collaboration models. Emphasis is placed on anomaly detection, behavioral profiling, and federated learning techniques that enhance detection accuracy while preserving data privacy. Experimental evaluations on representative IoT security datasets, such as UNSW-IoT and BoT-IoT, demonstrate that Edge AI-based systems can achieve low-latency detection with competitive accuracy compared to cloud-based methods, while significantly reducing network overhead. We further discuss deployment challenges, including model compression, energy efficiency, adversarial resilience, and lifecycle management in dynamic IoT environments. The paper concludes by identifying future research opportunities in explainable Edge AI for security, multi-modal threat data fusion, and standardized evaluation benchmarks for real-time IoT threat monitoring. Our findings highlight that Edge AI, when strategically implemented, can play a pivotal role in securing IoT infrastructures by enabling scalable, low-latency, and privacy-preserving threat detection capabilities at the network edge.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».