本論文では、リソース制約のあるIoTシステム向けのルーティングプロトコルRPLが抱える脆弱性と、それに対する適応的な侵入検知手法について検討しています。従来の対策は、既知の脅威には高精度を発揮しますが、新たな攻撃やゼロデイ攻撃に対しては再学習を必要とし、ダイナミックなIoT環境では実用的ではありません。そこで、インクリメンタル学習を用いることで、新しい攻撃クラスに対する検知性能を回復させつつ、以前学習した脅威の忘却を軽減し、再学習にかかる時間を短縮することができることを示しています。さらに、5つの異なるモデルを組み合わせて、攻撃特有の分析や時間効率を考慮に入れた結果、インクリメンタル学習が進化するRPLベースのIoTネットワークにおいても堅牢な侵入検知を維持する際のスケーラブルな手段であることを実証しました。