論文の概要: Quantifying and Managing Impacts of Concept Drifts on IoT Traffic Inference in Residential ISP Networks

• arxiv url: http://arxiv.org/abs/2301.06695v1
• Date: Tue, 17 Jan 2023 04:20:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-18 14:57:46.811717
• Title: Quantifying and Managing Impacts of Concept Drifts on IoT Traffic Inference in Residential ISP Networks
• Title（参考訳）: 住宅ispネットワークにおけるiotトラフィック推定における概念ドリフトの影響の定量化と管理
• Authors: Aarman Pashamokhtari and Norihiro Okui and Masataka Nakahara and Ayumu Kubota and Gustavo Batista and Hassan Habibi Gharakheili
• Abstract要約: インターネットサービスプロバイダ(ISP)は、家庭ごとのアクティブなIoTデバイスの自動推論によるリスク軽減において、最も重要な役割を担っている。 本稿では,デバイス動作のラベル付きデータに制限がある場合に,データ駆動推論モデルの開発と適用の課題に焦点を当てる。
• 参考スコア（独自算出の注目度）: 1.4027589547318842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Millions of vulnerable consumer IoT devices in home networks are the enabler for cyber crimes putting user privacy and Internet security at risk. Internet service providers (ISPs) are best poised to play key roles in mitigating risks by automatically inferring active IoT devices per household and notifying users of vulnerable ones. Developing a scalable inference method that can perform robustly across thousands of home networks is a non-trivial task. This paper focuses on the challenges of developing and applying data-driven inference models when labeled data of device behaviors is limited and the distribution of data changes (concept drift) across time and space domains. Our contributions are three-fold: (1) We collect and analyze network traffic of 24 types of consumer IoT devices from 12 real homes over six weeks to highlight the challenge of temporal and spatial concept drifts in network behavior of IoT devices; (2) We analyze the performance of two inference strategies, namely "global inference" (a model trained on a combined set of all labeled data from training homes) and "contextualized inference" (several models each trained on the labeled data from a training home) in the presence of concept drifts; and (3) To manage concept drifts, we develop a method that dynamically applies the ``closest'' model (from a set) to network traffic of unseen homes during the testing phase, yielding better performance in 20% of scenarios.
• Abstract（参考訳）: ホームネットワークにおける何百万もの脆弱な消費者向けIoTデバイスは、ユーザーのプライバシーとインターネットセキュリティを危険にさらすサイバー犯罪の有効性である。 インターネットサービスプロバイダ(ISP)は、家庭ごとのアクティブなIoTデバイスを自動推論し、脆弱なデバイスをユーザに通知することで、リスク軽減に重要な役割を果たしている。 数千のホームネットワークで堅牢に実行できるスケーラブルな推論手法の開発は、非常に簡単な作業です。 本稿では、デバイス動作のラベル付きデータに制限がある場合のデータ駆動推論モデルの開発と適用の課題と、時間と空間領域におけるデータ変化(概念ドリフト)の分布に焦点を当てる。 Our contributions are three-fold: (1) We collect and analyze network traffic of 24 types of consumer IoT devices from 12 real homes over six weeks to highlight the challenge of temporal and spatial concept drifts in network behavior of IoT devices; (2) We analyze the performance of two inference strategies, namely "global inference" (a model trained on a combined set of all labeled data from training homes) and "contextualized inference" (several models each trained on the labeled data from a training home) in the presence of concept drifts; and (3) To manage concept drifts, we develop a method that dynamically applies the ``closest'' model (from a set) to network traffic of unseen homes during the testing phase, yielding better performance in 20% of scenarios.

関連論文リスト

• Smooth Handovers via Smoothed Online Learning [48.953313950521746]
  まず、欧州の商用モバイルネットワークオペレータ(MNO)から4000万人以上のユーザを対象に、HOに対する重要な特徴とパフォーマンスへの影響を理解し、明らかにするために、広範なデータセットを分析した。 本研究は, HO故障/遅延と無線セルとエンドユーザーデバイスの特徴の相関関係を明らかにする。 本稿では,HO最適化にデバイスとセルの機能を組み込むことで,既存のアプローチを拡張したスムーズで高精度なHOのための現実的なシステムモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-14T13:16:33Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
  我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。 FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。 実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-22T14:16:37Z)
• Managing Networked IoT Assets Using Practical and Scalable Traffic Inference [0.0]
  インターネットは最近、IoT(Internet of Things)と呼ばれるコネクテッドアセットのクラスが前例のない成長を遂げているのを目撃した。 比較的未成熟な製造プロセスと限られたコンピューティングリソースのため、IoTはデバイスレベルのセキュリティ対策が不十分であり、インターネットを様々なサイバーリスクに晒している。 この論文は4つの実践的な課題を特定し、ビジネスの安全とユーザプライバシの保護に役立てるテクニックを開発しています。
  論文  参考訳（メタデータ） (2023-09-07T10:24:03Z)
• Federated Deep Learning for Intrusion Detection in IoT Networks [1.3097853961043058]
  AIベースの侵入検知システム(IDS)を分散IoTシステムに実装する一般的なアプローチは、中央集権的な方法である。 このアプローチはデータのプライバシを侵害し、IDSのスケーラビリティを禁止します。 我々は、実世界の実験代表を設計し、FLベースのIDSの性能を評価する。
  論文  参考訳（メタデータ） (2023-06-05T09:08:24Z)
• Federated Deep Learning Meets Autonomous Vehicle Perception: Design and Verification [168.67190934250868]
  フェデレーテッド・ラーニング・パワード・コネクテッド・オートモービル(FLCAV)が提案されている。 FLCAVは通信とアノテーションのコストを削減しながらプライバシを保存する。 マルチステージトレーニングのためのネットワークリソースと道路センサのポーズを決定することは困難である。
  論文  参考訳（メタデータ） (2022-06-03T23:55:45Z)
• Efficient Federated Learning with Spike Neural Networks for Traffic Sign Recognition [70.306089187104]
  我々は、エネルギー効率と高速モデルトレーニングのための交通信号認識に強力なスパイクニューラルネットワーク(SNN)を導入している。 数値的な結果から,提案するフェデレーションSNNは,従来のフェデレーション畳み込みニューラルネットワークよりも精度,ノイズ免疫性,エネルギー効率に優れていたことが示唆された。
  論文  参考訳（メタデータ） (2022-05-28T03:11:48Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions [0.20236506875465865]
  侵入検知システムは、スマートデバイスのセキュリティとプライバシを確保する上で重要な役割を果たす。 本稿では,侵入検知システムにおけるFLの使用について,広範囲かつ徹底的に検討することを目的とする。
  論文  参考訳（メタデータ） (2021-06-16T13:13:04Z)
• IoT Behavioral Monitoring via Network Traffic Analysis [0.45687771576879593]
  この論文は、IoTのネットワーク行動パターンをプロファイリングする技術を開発する上で、私たちの努力の成果である。 我々は、交通パターンの属性で訓練された、堅牢な機械学習ベースの推論エンジンを開発する。 99%以上の精度で28台のIoTデバイスのリアルタイム分類を実演する。
  論文  参考訳（メタデータ） (2020-01-28T23:13:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。