論文の概要: WiFinger: Fingerprinting Noisy IoT Event Traffic Using Packet-level Sequence Matching

• arxiv url: http://arxiv.org/abs/2508.03151v1
• Date: Tue, 05 Aug 2025 06:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-06 18:18:55.825047
• Title: WiFinger: Fingerprinting Noisy IoT Event Traffic Using Packet-level Sequence Matching
• Title（参考訳）: WiFinger: パケットレベルのシーケンスマッチングを使用して、ノイズの多いIoTイベントトラフィックをフィンガープリントする
• Authors: Ronghua Li, Shinan Liu, Haibo Hu, Qingqing Ye, Nick Feamster,
• Abstract要約: WiFingerは、ノイズの多いトラフィックに対して、きめ細かいマルチIoTイベントのフィンガープリントアプローチである。 提案手法は,様々なIoTイベントに対して平均85%のリコールを達成し,ほとんどのIoTイベントに対してほぼゼロの偽陽性を維持できる。
• 参考スコア（独自算出の注目度）: 18.566305912162463
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: IoT environments such as smart homes are susceptible to privacy inference attacks, where attackers can analyze patterns of encrypted network traffic to infer the state of devices and even the activities of people. While most existing attacks exploit ML techniques for discovering such traffic patterns, they underperform on wireless traffic, especially Wi-Fi, due to its heavy noise and packet losses of wireless sniffing. In addition, these approaches commonly target at distinguishing chunked IoT event traffic samples, and they failed at effectively tracking multiple events simultaneously. In this work, we propose WiFinger, a fine-grained multi-IoT event fingerprinting approach against noisy traffic. WiFinger turns the traffic pattern classification task into a subsequence matching problem and introduces novel techniques to account for the high time complexity while maintaining high accuracy. Experiments demonstrate that our method outperforms existing approaches on Wi-Fi traffic, achieving an average recall of 85% (vs. 0.49% and 0.46%) for various IoT events while maintaining almost zero false positives for most of them.
• Abstract（参考訳）: スマートホームなどのIoT環境は、攻撃者が暗号化されたネットワークトラフィックのパターンを分析してデバイスの状態や人々のアクティビティを推測する、プライバシ推論攻撃の影響を受けやすい。 既存の攻撃のほとんどは、そのようなトラフィックパターンを発見するためにML技術を利用しているが、無線トラフィック、特にWi-Fiでは、大きなノイズと無線スニッフィングのパケット損失のために性能が劣っている。 さらに、これらのアプローチは、チャンクされたIoTイベントトラフィックサンプルの識別を目標としており、複数のイベントを効果的に追跡することができない。 本研究では、ノイズの多いトラフィックに対して微細なマルチIoTイベントフィンガープリントアプローチであるWiFingerを提案する。 WiFingerは、トラフィックパターン分類タスクをサブシーケンスマッチング問題に変換し、高精度を維持しながら、リアルタイムの複雑さを考慮に入れた新しいテクニックを導入する。 実験により,本手法はWi-Fiトラフィックにおける既存手法よりも優れており,IoTイベントの平均リコール率は85%(vs.0.49%,0.46%)であり,ほとんどのIoTイベントに対してほぼゼロの偽陽性を維持していることがわかった。

関連論文リスト

• Machine Learning for Cyber-Attack Identification from Traffic Flows [5.834276858232939]
  本稿では,FL のデイトナビーチにおける交通制御システムにおけるサイバー攻撃と検出戦略のシミュレーションについて述べる。 トラフィックフローパターンのみを分析することで、サイバー攻撃を特定できるのか?
  論文  参考訳（メタデータ） (2025-05-02T17:34:19Z)
• Intelligent Detection of Non-Essential IoT Traffic on the Home Gateway [45.70482328441101]
  本研究は,エッジにおけるネットワークの挙動を解析することにより,非必要IoTトラフィックを検出し緩和するシステムであるML-IoTrimを提案する。 当社のフレームワークは、IoTデバイスを5つのカテゴリから構成したコンシューマスマートホームセットアップでテストし、モデルが非本質的なトラフィックを正確に識別し、ブロックできることを実証した。 この研究は、スマートホームにおけるプライバシーに配慮したトラフィック制御を推進し、IoTデバイスプライバシの今後の発展への道を開く。
  論文  参考訳（メタデータ） (2025-04-22T09:40:05Z)
• 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)
• 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)
• AI-Driven Fast and Early Detection of IoT Botnet Threats: A Comprehensive Network Traffic Analysis Approach [3.783757921469148]
  本研究は,IoTネットワークトラフィックを総合的に分析する手法を提案する。 ネットワークトラフィックを表現し、良質なIoTトラフィックパターンを特徴付ける上で重要な、幅広いネットワーク機能について検討している。 IoT-23データセットによる広範な実験を通じて、さまざまな操作やボットの種類に対応するボットネットトラフィックの検出が可能であることを実証した。
  論文  参考訳（メタデータ） (2024-07-22T14:54:40Z)
• 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)
• Autosen: improving automatic wifi human sensing through cross-modal autoencoder [56.44764266426344]
  WiFiによる人間のセンシングは、人間の活動を認識する上での低コストでプライバシー上の利点として高く評価されている。 ラベル付きデータなしで自己教師付き学習を可能にすることを目的とした従来のクロスモーダル手法は、振幅-位相の組み合わせから意味のある特徴を抽出するのに苦労する。 我々は、従来のアプローチから外れた革新的な自動WiFiセンシングソリューションであるAutoSenを紹介する。
  論文  参考訳（メタデータ） (2024-01-08T19:50:02Z)
• Detecting Anomalous Microflows in IoT Volumetric Attacks via Dynamic Monitoring of MUD Activity [1.294952045574009]
  異常に基づく検出手法は、新たな攻撃を見つける上で有望である。 偽陽性のアラームや説明が難しい、費用対効果の低い、といった現実的な課題があります。 本稿では、SDNを使用して、各IoTデバイスの期待する動作を強制し、監視する。
  論文  参考訳（メタデータ） (2023-04-11T05:17:51Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Clustering Algorithm to Detect Adversaries in Federated Learning [0.6091702876917281]
  本稿では,クラスタリングアルゴリズムの助けを借りて敵を検出する手法を提案する。 提案手法では,クライアント側からの処理能力は必要とせず,帯域幅の超過は不要である。 我々のアプローチは、40%の敵が存在する場合でも、グローバルモデルの精度を99%まで向上させることに成功した。
  論文  参考訳（メタデータ） (2021-02-22T06:49:59Z)
• Harnessing Wireless Channels for Scalable and Privacy-Preserving Federated Learning [56.94644428312295]
  無線接続は、フェデレートラーニング(FL)の実現に有効である Channel randomnessperturbs 各ワーカはモデル更新をインバージョンし、複数のワーカはバンド幅に大きな干渉を発生させる。 A-FADMMでは、すべてのワーカーがモデル更新をアナログ送信を介して単一のチャンネルを使用してパラメータサーバにアップロードする。 これは通信帯域幅を節約するだけでなく、各ワーカーの正確なモデル更新軌跡を任意の盗聴者から隠蔽する。
  論文  参考訳（メタデータ） (2020-07-03T16:31:15Z)
• Anomalous Communications Detection in IoT Networks Using Sparse Autoencoders [0.0]
  スパースオートエンコーダを用いて,IoTネットワークにおける異常なネットワーク通信を検出する手法を提案する。 提案手法により、悪意のある通信を正当な通信と区別することができる。 Nの値に依存すると、開発モデルは86.9%から91.2%の攻撃検出率と0.1%から0.5%の偽陽性率を達成する。
  論文  参考訳（メタデータ） (2019-12-26T10:47:35Z)

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。