論文の概要: IoT Device Labeling Using Large Language Models

• arxiv url: http://arxiv.org/abs/2403.01586v1
• Date: Sun, 3 Mar 2024 18:41:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-18 06:29:47.034336
• Title: IoT Device Labeling Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたIoTデバイスラベリング
• Authors: Bar Meyuhas, Anat Bremler-Barr, Tal Shapira,
• Abstract要約: AIソリューションは、これまで見たことがなく、ラベルが不明なIoTデバイスにラベルを付けることができるのか? 提案ソリューションでは,ネットワークトラフィックからドメイン名やカタログなどのテキスト機能を抽出し,Google検索データを用いて,ベンダやデバイス機能のカタログと並行して,これらの機能を充実させる。 このソリューションは、Large Language Models(LLM)を使用して、これらの新興デバイスタイプを更新する自動更新メカニズムも統合している。
• 参考スコア（独自算出の注目度）: 3.3044728148521623
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The IoT market is diverse and characterized by a multitude of vendors that support different device functions (e.g., speaker, camera, vacuum cleaner, etc.). Within this market, IoT security and observability systems use real-time identification techniques to manage these devices effectively. Most existing IoT identification solutions employ machine learning techniques that assume the IoT device, labeled by both its vendor and function, was observed during their training phase. We tackle a key challenge in IoT labeling: how can an AI solution label an IoT device that has never been seen before and whose label is unknown? Our solution extracts textual features such as domain names and hostnames from network traffic, and then enriches these features using Google search data alongside catalog of vendors and device functions. The solution also integrates an auto-update mechanism that uses Large Language Models (LLMs) to update these catalogs with emerging device types. Based on the information gathered, the device's vendor is identified through string matching with the enriched features. The function is then deduced by LLMs and zero-shot classification from a predefined catalog of IoT functions. In an evaluation of our solution on 97 unique IoT devices, our function labeling approach achieved HIT1 and HIT2 scores of 0.7 and 0.77, respectively. As far as we know, this is the first research to tackle AI-automated IoT labeling.
• Abstract（参考訳）: IoT市場は多様で、さまざまなデバイス機能(スピーカー、カメラ、掃除機など)をサポートする多数のベンダーによって特徴づけられている。 この市場において、IoTセキュリティと可観測性システムは、これらのデバイスを効果的に管理するためにリアルタイム識別技術を使用する。 既存のIoT識別ソリューションのほとんどは、ベンダーとファンクションの両方がラベル付けしたIoTデバイスを、トレーニングフェーズで観察するマシンラーニング技術を採用している。 AIソリューションは、これまで見たことがなく、ラベルが不明なIoTデバイスにラベルを付けることができるのか? 提案ソリューションでは,ネットワークトラフィックからドメイン名やホスト名などのテキスト機能を抽出し,ベンダやデバイス機能のカタログと並行してGoogle検索データを用いて,これらの機能を充実させる。 このソリューションは、Large Language Models(LLM)を使用して、これらのカタログを新しいデバイスタイプで更新する自動更新メカニズムも統合している。 収集された情報に基づいて、デバイスのベンダーは、リッチな機能と文字列マッチングによって識別される。 関数はLLMによって推論され、事前に定義されたIoT関数のカタログからゼロショット分類される。 97個のIoTデバイス上でのソリューションの評価では,HIT1とHIT2のスコアが0.7と0.77であった。 われわれが知る限りでは、AI自動化IoTラベリングに取り組む最初の研究だ。

関連論文リスト

• IoT-LM: Large Multisensory Language Models for the Internet of Things [70.74131118309967]
  IoTエコシステムは、モーション、サーマル、ジオロケーション、イメージング、ディープ、センサー、オーディオといった、現実世界のモダリティの豊富なソースを提供する。 機械学習は、IoTデータを大規模に自動的に処理する豊富な機会を提供する。 IoTエコシステムに適した,オープンソースの大規模マルチセンサ言語モデルであるIoT-LMを紹介します。
  論文  参考訳（メタデータ） (2024-07-13T08:20:37Z)
• MultiIoT: Benchmarking Machine Learning for the Internet of Things [70.74131118309967]
  次世代の機械学習システムは、物理的世界に対する知覚と相互作用に長けなければならない。 運動、熱、位置情報、深度、無線信号、ビデオ、オーディオからの知覚データは、物理環境の状態をモデル化するためにますます使われています。 既存の取り組みは、しばしば単一の感覚的モダリティまたは予測タスクに特化している。 本稿は、12のモダリティと8つの現実世界タスクから115万以上のサンプルを含む、これまでで最も拡張的で統一されたIoTベンチマークであるMultiIoTを提案する。
  論文  参考訳（メタデータ） (2023-11-10T18:13:08Z)
• IoTScent: Enhancing Forensic Capabilities in Internet of Things Gateways [45.44831696628473]
  本稿では,IoTゲートウェイとホームオートメーションプラットフォームがIoTトラフィックのキャプチャと分析を行うことを可能にする,オープンソースの法医学ツールであるIoTScentを紹介する。 IoTScentは特に、Zigbeeや6LoWPAN、Threadといった多くのIoT固有のプロトコルの基礎であるIEEE5.4ベースのトラフィックを操作するように設計されている。 この作業は、Zigbeeトラフィックからデバイス識別を実行するためのツールの使用を実証する実用的なユースケースを含む、IoTScentツールの包括的な説明を提供する。
  論文  参考訳（メタデータ） (2023-10-05T09:10:05Z)
• Caveat (IoT) Emptor: Towards Transparency of IoT Device Presence (Full Version) [12.842258850026878]
  隠れたIoTデバイスは、近くの未確認ユーザを(センサーを介して)スヌープし、アクティベーションを通じて、ユーザが知らない環境に影響を与えることができる。 本稿ではPAISAと呼ばれるデバイスのためのプライバシ・アグリゲーション・ルートフトラストアーキテクチャを構築する。 IoTデバイスの存在と機能について、タイムリーでセキュアな発表を保証します。
  論文  参考訳（メタデータ） (2023-09-07T09:08:31Z)
• The Internet of Senses: Building on Semantic Communications and Edge Intelligence [67.75406096878321]
  インターネット・オブ・センセーズ(IoS)は、すべてのヒト受容体に対する欠陥のないテレプレゼンススタイルのコミュニケーションを約束する。 我々は,新たなセマンティックコミュニケーションと人工知能(AI)/機械学習(ML)パラダイムがIoSユースケースの要件を満たす方法について詳しく述べる。
  論文  参考訳（メタデータ） (2022-12-21T03:37:38Z)
• Effectiveness of Transformer Models on IoT Security Detection in StackOverflow Discussions [0.0]
  IoT Security dataset"は、IoTセキュリティに関する議論に特化した7147のサンプルからなる、ドメイン固有のデータセットである。 IoTセキュリティに関する議論は、従来のセキュリティに関する議論とは異なる、より複雑であることがわかった。
  論文  参考訳（メタデータ） (2022-07-29T08:18:03Z)
• Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
  Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。 本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
  論文  参考訳（メタデータ） (2021-10-04T19:41:42Z)
• IoT Device Identification Using Deep Learning [43.0717346071013]
  組織におけるIoTデバイスの利用の増加は、攻撃者が利用可能な攻撃ベクトルの数を増やしている。 広く採用されている独自のデバイス(BYOD)ポリシにより、従業員が任意のIoTデバイスを職場に持ち込み、組織のネットワークにアタッチすることで、攻撃のリスクも増大する。 本研究では、ネットワークトラフィックにディープラーニングを適用し、ネットワークに接続されたIoTデバイスを自動的に識別する。
  論文  参考訳（メタデータ） (2020-02-25T12:24:49Z)
• 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。