論文の概要: IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification

• arxiv url: http://arxiv.org/abs/2504.14833v1
• Date: Mon, 21 Apr 2025 03:24:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 19:42:54.366341
• Title: IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification
• Title（参考訳）: IoT-AMLHP:リソース効率の良い悪意のあるIoTトラフィック分類のためのヘッダペイロード表現のマルチモーダル学習
• Authors: Fengyuan Nie, Guangjie Liu, Weiwei Liu, Jianan Huang, Bo Gao,
• Abstract要約: トラフィックの分類はIoT(Internet of Things)ネットワークの確保に不可欠である。 ディープラーニングに基づく手法は、大規模なネットワークトラフィックから潜在パターンを自律的に抽出することができる。 既存のメソッドはフローレベル機能か生のパケットバイト機能に大きく依存している。 本稿では、リソース効率の悪いIoTトラフィック分類のための協調型マルチモーダル学習フレームワークであるIoT-AMLHPを提案する。
• 参考スコア（独自算出の注目度）: 10.900679661892932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic classification is crucial for securing Internet of Things (IoT) networks. Deep learning-based methods can autonomously extract latent patterns from massive network traffic, demonstrating significant potential for IoT traffic classification tasks. However, the limited computational and spatial resources of IoT devices pose challenges for deploying more complex deep learning models. Existing methods rely heavily on either flow-level features or raw packet byte features. Flow-level features often require inspecting entire or most of the traffic flow, leading to excessive resource consumption, while raw packet byte features fail to distinguish between headers and payloads, overlooking semantic differences and introducing noise from feature misalignment. Therefore, this paper proposes IoT-AMLHP, an aligned multimodal learning framework for resource-efficient malicious IoT traffic classification. Firstly, the framework constructs a packet-wise header-payload representation by parsing packet headers and payload bytes, resulting in an aligned and standardized multimodal traffic representation that enhances the characterization of heterogeneous IoT traffic. Subsequently, the traffic representation is fed into a resource-efficient neural network comprising a multimodal feature extraction module and a multimodal fusion module. The extraction module employs efficient depthwise separable convolutions to capture multi-scale features from different modalities while maintaining a lightweight architecture. The fusion module adaptively captures complementary features from different modalities and effectively fuses multimodal features.
• Abstract（参考訳）: トラフィックの分類はIoT(Internet of Things)ネットワークの確保に不可欠である。 ディープラーニングベースの手法は、大規模なネットワークトラフィックから潜在パターンを自律的に抽出し、IoTトラフィック分類タスクの潜在的な可能性を示す。 しかし、IoTデバイスの限られた計算資源と空間資源は、より複雑なディープラーニングモデルをデプロイする上での課題をもたらす。 既存のメソッドはフローレベル機能か生のパケットバイト機能に大きく依存している。 フローレベルの機能は多くの場合、トラフィックフロー全体または大部分の検査を必要とするため、過剰なリソース消費につながるが、生のパケットバイト機能はヘッダとペイロードを区別できず、セマンティックな違いを見越し、特徴の不一致からノイズを導入する。 そこで本研究では,資源効率の悪いIoTトラフィック分類のための協調型マルチモーダル学習フレームワークであるIoT-AMLHPを提案する。 まず,パケットヘッダとペイロードバイトを解析することでパケット単位のヘッダ-ペイロード表現を構築し,不均一なIoTトラフィックの特性を高めるための,整列および標準化されたマルチモーダルトラフィック表現を実現する。 その後、トラフィック表現を、マルチモーダル特徴抽出モジュールとマルチモーダル融合モジュールとからなる資源効率の良いニューラルネットワークに供給する。 抽出モジュールは、効率的な奥行き分離可能な畳み込みを利用して、軽量なアーキテクチャを維持しながら、異なるモードからマルチスケールの特徴をキャプチャする。 融合モジュールは、異なるモダリティから相補的特徴を適応的に捕捉し、効果的にマルチモーダル特徴を融合する。

関連論文リスト

• Revolutionizing Encrypted Traffic Classification with MH-Net: A Multi-View Heterogeneous Graph Model [16.750119354563733]
  MH-Netは、マルチビューの不均一なトラフィックグラフを利用する、ネットワークトラフィックを分類するための新しいアプローチである。 我々は、学習したトラフィック単位表現の堅牢性を強化するために、マルチタスク方式でコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2025-01-05T16:50:41Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• Generic Multi-modal Representation Learning for Network Traffic Analysis [6.372999570085887]
  ネットワークトラフィック分析は、ネットワーク管理、トラブルシューティング、セキュリティに不可欠である。 異なるユースケースを解決できる柔軟なマルチモーダルオートエンコーダ(MAE)パイプラインを提案する。 我々は、MAEアーキテクチャは汎用的であり、複数のシナリオで有用な表現の学習に使用できると論じる。
  論文  参考訳（メタデータ） (2024-05-04T12:24:29Z)
• Lens: A Foundation Model for Network Traffic [19.3652490585798]
  Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。 Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
  論文  参考訳（メタデータ） (2024-02-06T02:45:13Z)
• Communication-Efficient Framework for Distributed Image Semantic Wireless Transmission [68.69108124451263]
  IoTデバイスを用いたマルチタスク分散画像伝送のためのFederated Learning-based semantic communication (FLSC)フレームワーク。 各リンクは階層型視覚変換器(HVT)ベースの抽出器とタスク適応トランスレータで構成される。 チャネル状態情報に基づく多重出力多重出力伝送モジュール。
  論文  参考訳（メタデータ） (2023-08-07T16:32:14Z)
• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• PSNet: Parallel Symmetric Network for Video Salient Object Detection [85.94443548452729]
  我々は,PSNet という名前のアップ・ダウン・パラレル対称性を持つ VSOD ネットワークを提案する。 2つの並列ブランチが、ビデオの完全サリエンシ復号化を実現するために設定されている。
  論文  参考訳（メタデータ） (2022-10-12T04:11:48Z)
• UPDeT: Universal Multi-agent Reinforcement Learning via Policy Decoupling with Transformers [108.92194081987967]
  タスクに適合する1つのアーキテクチャを設計し、汎用的なマルチエージェント強化学習パイプラインを最初に試行する。 従来のRNNモデルとは異なり、トランスフォーマーモデルを用いてフレキシブルなポリシーを生成する。 提案方式はUPDeT(Universal Policy Decoupling Transformer)と名付けられ,動作制限を緩和し,マルチエージェントタスクの決定プロセスをより説明しやすいものにする。
  論文  参考訳（メタデータ） (2021-01-20T07:24:24Z)
• Deep Multimodal Fusion by Channel Exchanging [87.40768169300898]
  本稿では,異なるモードのサブネットワーク間で動的にチャネルを交換するパラメータフリーマルチモーダル融合フレームワークを提案する。 このような交換プロセスの有効性は、畳み込みフィルタを共有してもBN層をモダリティで分離しておくことで保証される。
  論文  参考訳（メタデータ） (2020-11-10T09:53:20Z)

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。