論文の概要: Flow-Based Detection and Identification of Zero-Day IoT Cameras
- arxiv url: http://arxiv.org/abs/2509.08485v1
- Date: Wed, 10 Sep 2025 10:50:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-11 15:16:52.39553
- Title: Flow-Based Detection and Identification of Zero-Day IoT Cameras
- Title（参考訳）: ゼロデイIoTカメラのフローベース検出と識別
- Authors: Priyanka Rushikesh Chaudhary, Rajib Ranjan Maiti,
- Abstract要約: zCamInspectorは、99%の精度でIoTカメラを特定し、偽陰性は0.3%と低い。
XGBは、99%の精度と偽陰性でIoTカメラを0.3%と認識し、最先端の手法より優れている。
- 参考スコア（独自算出の注目度）: 1.5970777144214099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The majority of consumer IoT devices lack mechanisms for administrators to monitor and control them, hindering tailored security policies. A key challenge is identifying whether a new device, especially a streaming IoT camera, has joined the network. We present zCamInspector, a system for identifying known IoT cameras with supervised classifiers (zCamClassifier) and detecting zero-day cameras with one-class classifiers (zCamDetector). We analyzed ~40GB of traffic across three datasets: Set I (six commercial IoT cameras), Set II (five open-source IoT cameras, ~1.5GB), and Set III (four conferencing and two video-sharing applications as non-IoT traffic). From each, 62 flow-based features were extracted using CICFlowmeter. zCamInspector employs seven supervised models (ET, DT, RF, KNN, XGB, LKSVM, GNB) and four one-class models (OCSVM, SGDOCSVM, IF, DeepSVDD). Results show that XGB identifies IoT cameras with >99% accuracy and false negatives as low as 0.3%, outperforming state-of-the-art methods. For zero-day detection, accuracies reached 93.20% (OCSVM), 96.55% (SGDOCSVM), 78.65% (IF), and 92.16% (DeepSVDD). When all devices were treated as zero-day, DeepSVDD performed best with mean training/testing accuracies of 96.03%/74.51%. zCamInspector also achieved >95% accuracy for specific devices, such as Spy Clock cameras, demonstrating its robustness for identifying and detecting zero-day IoT cameras in diverse network environments.
- Abstract（参考訳）: コンシューマIoTデバイスの大部分は,管理者が監視とコントロールを行うメカニズムが欠如しているため,適切なセキュリティポリシが妨げられている。
重要な課題は、新しいデバイス、特にストリーミングIoTカメラがネットワークに加わったかどうかを特定することだ。
本稿では、教師付き分類器(zCamClassifier)で既知のIoTカメラを識別し、一級分類器(zCamDetector)でゼロデイカメラを検出するシステムであるzCamInspectorを提案する。
私たちは、Set I(6つの商用IoTカメラ)、Set II(5つのオープンソースIoTカメラ、~1.5GB)、Set III(4つの会議と2つのビデオ共有アプリケーション、非IoTトラフィック)という3つのデータセットにわたる40GBのトラフィックを分析しました。
CIC Flowmeterを用いて62のフローベース特徴を抽出した。
zCamInspectorは7つの教師付きモデル(ET、DT、RF、KNN、XGB、LKSVM、GNB)と4つの1クラスモデル(OCSVM、SGDOCSVM、IF、DeepSVDD)を採用している。
結果は、XGBがIoTカメラを99%の精度で認識し、偽陰性は0.3%と低く、最先端の手法よりも優れていることを示している。
ゼロデイ検出では93.20%(OCSVM)、96.55%(SGDOCSVM)、78.65%(IF)、92.16%(DeepSVDD)に達した。
すべての装置がゼロデイとして扱われると、DeepSVDDは96.03%/74.51%の平均的なトレーニング/テストの精度で最高の成績を収めた。
zCamInspectorはまた、Spy Clockカメラのような特定のデバイスに対して95%の精度を達成した。
関連論文リスト
- A Deep Learning-Based CCTV System for Automatic Smoking Detection in Fire Exit Zones [0.0]
防火エリアのCCTV監視のためのリアルタイム喫煙検知システムを提案する。
データセットには、20のシナリオから8,124の画像と、低照度領域を示す2,708のサンプルが含まれている。
提案されたモデルは他のモデルよりも優れ、78.90%、mAPは83.70パーセントの50パーセントでリコールされた。
論文 参考訳（メタデータ） (2025-08-12T19:27:17Z) - CamLoPA: A Hidden Wireless Camera Localization Framework via Signal Propagation Path Analysis [59.86280992504629]
CamLoPAは、トレーニング不要の無線カメラ検出およびローカライゼーションフレームワークである。
低コストの商用オフ・ザ・シェルフ(COTS)デバイスを使用して、最小限の活動空間制約で運用する。
95.37%のスヌーピングカメラ検出精度と17.23の平均位置誤差を達成する。
論文 参考訳（メタデータ） (2024-09-23T16:23:50Z) - Tracking Passengers and Baggage Items using Multiple Overhead Cameras at
Security Checkpoints [2.021502591596062]
空港の検問所のセキュリティシナリオのために,オーバーヘッドカメラビデオ中の複数のオブジェクトを追跡する新しいフレームワークを提案する。
オーバヘッド画像からのインスタンスセグメンテーションの不確実性に関するモデル情報を提供するために,自己監視学習(SSL)手法を提案する。
この結果から,自己超越はモデルの推定時間を増大させることなく,オブジェクト検出精度を最大42%向上させることがわかった。
論文 参考訳（メタデータ） (2022-12-31T12:57:09Z) - Fewer is More: Efficient Object Detection in Large Aerial Images [59.683235514193505]
本稿では,検出者がより少ないパッチに注目するのに対して,より効率的な推論とより正確な結果を得るのに役立つObjectness Activation Network(OAN)を提案する。
OANを用いて、5つの検出器は3つの大規模な空中画像データセットで30.0%以上のスピードアップを取得する。
我々はOANをドライブシーン物体検出と4Kビデオ物体検出に拡張し,検出速度をそれぞれ112.1%,75.0%向上させた。
論文 参考訳（メタデータ） (2022-12-26T12:49:47Z) - Cross-Camera Feature Prediction for Intra-Camera Supervised Person
Re-identification across Distant Scenes [70.30052164401178]
人物再識別(Re-ID)は、重複しないカメラビュー間で人物画像をマッチングすることを目的としている。
ICS-DS Re-IDは、カメラ内IDラベル付きクロスカメラアンペアデータを使用してトレーニングを行う。
カメラ横断型自己監視情報マイニングのためのクロスカメラ特徴予測法
グローバルレベルの特徴とローカルレベルの特徴の合同学習は、グローバルなローカルなクロスカメラ特徴予測スキームを形成する。
論文 参考訳（メタデータ） (2021-07-29T11:27:50Z) - Revisiting IoT Device Identification [4.451756374933898]
IoT(Internet-of-Things)デバイスは多くのセキュリティ問題の原因として知られている。
ネットワークの振る舞いに基づいて,IoTデバイスを正確に識別する方法を検討する。
論文 参考訳（メタデータ） (2021-07-16T11:01:45Z) - An Analysis of Deep Object Detectors For Diver Detection [19.14344722263869]
ビデオから得られたダイバーの注釈付き画像を約105,000枚作成する。
私たちは、Mobilenetを使ったSSD、Faster R-CNN、YOLOなど、オブジェクト検出のための最先端のディープニューラルネットワークをトレーニングしています。
この結果に基づき、ロボットのリアルタイム応用にTiny-YOLOv4を推奨する。
論文 参考訳（メタデータ） (2020-11-25T01:50:32Z) - Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian
Detection [99.94079901071163]
本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。
我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。
我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
論文 参考訳（メタデータ） (2020-04-03T17:36:26Z) - ZoomNet: Part-Aware Adaptive Zooming Neural Network for 3D Object
Detection [69.68263074432224]
ステレオ画像に基づく3D検出のためのZoomNetという新しいフレームワークを提案する。
ZoomNetのパイプラインは、通常の2Dオブジェクト検出モデルから始まり、左右のバウンディングボックスのペアを取得するために使用される。
さらに,RGB画像のテクスチャキューを多用し,より正確な異質度推定を行うため,適応ズームという概念的に真直ぐなモジュールを導入する。
論文 参考訳（メタデータ） (2020-03-01T17:18:08Z) - Real-Time target detection in maritime scenarios based on YOLOv3 model [65.35132992156942]
ウェブスクレイピングによって収集された56k以上の海洋船舶の画像からなる、新しい船舶データセットが提案されている。
Keras APIをベースとしたYOLOv3シングルステージ検出器がこのデータセット上に構築されている。
論文 参考訳（メタデータ） (2020-02-10T15:25:19Z)
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。