論文の概要: An LLM-Powered AI Agent Framework for Holistic IoT Traffic Interpretation

• arxiv url: http://arxiv.org/abs/2510.13925v1
• Date: Wed, 15 Oct 2025 12:30:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.546296
• Title: An LLM-Powered AI Agent Framework for Holistic IoT Traffic Interpretation
• Title（参考訳）: ホロスティックIoTトラフィック解釈のためのLLMを利用したAIエージェントフレームワーク
• Authors: Daniel Adu Worae, Spyridon Mastorakis,
• Abstract要約: この研究は、LLMを利用したAIエージェントフレームワークで、生のパケットキャプチャをインタラクティブ分析のための構造化および意味豊かな表現に変換する。 大規模言語モデルでガイドされたAIエージェントは、インデックス化されたトラフィックアーティファクトを推論し、証拠を組み立てて正確で可読な解釈を生成する。
• 参考スコア（独自算出の注目度）: 1.3832473221638348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet of Things (IoT) networks generate diverse and high-volume traffic that reflects both normal activity and potential threats. Deriving meaningful insight from such telemetry requires cross-layer interpretation of behaviors, protocols, and context rather than isolated detection. This work presents an LLM-powered AI agent framework that converts raw packet captures into structured and semantically enriched representations for interactive analysis. The framework integrates feature extraction, transformer-based anomaly detection, packet and flow summarization, threat intelligence enrichment, and retrieval-augmented question answering. An AI agent guided by a large language model performs reasoning over the indexed traffic artifacts, assembling evidence to produce accurate and human-readable interpretations. Experimental evaluation on multiple IoT captures and six open models shows that hybrid retrieval, which combines lexical and semantic search with reranking, substantially improves BLEU, ROUGE, METEOR, and BERTScore results compared with dense-only retrieval. System profiling further indicates low CPU, GPU, and memory overhead, demonstrating that the framework achieves holistic and efficient interpretation of IoT network traffic.
• Abstract（参考訳）: IoT(Internet of Things)ネットワークは,通常の活動と潜在的な脅威の両方を反映した,多種多様な高ボリュームトラフィックを生成する。 このようなテレメトリから有意義な洞察を引き出すには、孤立した検出ではなく、行動、プロトコル、コンテキストの層横断的な解釈が必要である。 この研究は、LLMを利用したAIエージェントフレームワークで、生のパケットキャプチャをインタラクティブ分析のための構造化および意味豊かな表現に変換する。 このフレームワークは、特徴抽出、トランスフォーマーベースの異常検出、パケットとフローの要約、脅威インテリジェンス強化、検索強化された質問応答を統合している。 大規模言語モデルでガイドされたAIエージェントは、インデックス化されたトラフィックアーティファクトを推論し、証拠を組み立てて正確で可読な解釈を生成する。 複数のIoTキャプチャと6つのオープンモデルの実験的評価から、語彙検索と意味検索を組み合わせたハイブリッド検索は、密度のみの検索と比較して、BLEU、ROUGE、METEOR、BERTScoreの結果を大幅に改善することが示された。 システムプロファイリングはさらに低CPU、GPU、メモリオーバーヘッドを示し、このフレームワークがIoTネットワークトラフィックの全体的かつ効率的な解釈を実現することを実証している。

関連論文リスト

• FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network [7.30584204219718]
  IoT(Internet of Things)環境では、多数のデバイス間の継続的なインタラクションによって複雑な動的ネットワークトラフィックが生成される。 機械学習(ML)ベースのトラフィック検出技術は、ネットワークセキュリティを確保する上で重要なコンポーネントである。
  論文  参考訳（メタデータ） (2025-09-25T07:52:58Z)
• Poster: Enhancing GNN Robustness for Network Intrusion Detection via Agent-based Analysis [5.881825061973424]
  グラフニューラルネットワーク(GNN)は、NIDS(Network Intrusion Detection Systems)に非常に有望であることを示す GNNは分布のドリフトによって性能が低下し、現実的な敵攻撃に対するロバスト性が欠如している。 本研究は,エージェントパイプラインにLarge Language Models(LLMs)を模擬サイバーセキュリティ専門家エージェントとして使用することにより,GNNの堅牢性と一般化を促進する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-25T19:49:55Z)
• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• HeteroSample: Meta-path Guided Sampling for Heterogeneous Graph Representation Learning [23.169203683975855]
  HeteroSampleは、構造整合性、ノードおよびエッジタイプの分布、およびIoT関連グラフの意味パターンを保存するために設計された新しいサンプリング手法である。 HeteroSampleは最先端の手法より優れており、リンク予測やノード分類といったタスクで最大15%高いF1スコアを達成する。
  論文  参考訳（メタデータ） (2024-11-11T14:27:30Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Agent-driven Generative Semantic Communication with Cross-Modality and Prediction [57.335922373309074]
  本稿では,強化学習に基づくエージェント駆動型ジェネリックセマンティックコミュニケーションフレームワークを提案する。 本研究では, エージェント支援型セマンティックエンコーダを開発し, 適応的セマンティック抽出とサンプリングを行う。 設計モデルの有効性をUA-DETRACデータセットを用いて検証し、全体的なA-GSCフレームワークの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-04-10T13:24:27Z)

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。