論文の概要: Binary Anomaly Detection in Streaming IoT Traffic under Concept Drift

• arxiv url: http://arxiv.org/abs/2510.27304v1
• Date: Fri, 31 Oct 2025 09:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.048086
• Title: Binary Anomaly Detection in Streaming IoT Traffic under Concept Drift
• Title（参考訳）: コンセプトドリフト下のIoTトラフィックストリーミングにおけるバイナリ異常検出
• Authors: Rodrigo Matos Carnier, Laura Lahesoo, Kensuke Fukuda,
• Abstract要約: 従来のバッチ学習モデルは、高いメンテナンスや高速な異常な変更に対する堅牢性の欠如といった課題に直面している。 ストリーミング学習は、オンラインとインクリメンタルな学習を統合し、シームレスな更新とコンセプトドリフト検出を可能にし、適応性を改善する。 本研究では,ストリーミングIoTトラフィックの異常検出をバイナリ分類として検討し,バッチとストリーミング学習のアプローチを比較した。
• 参考スコア（独自算出の注目度）: 2.650860836597657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing volume of Internet of Things (IoT) network traffic, machine learning (ML)-based anomaly detection is more relevant than ever. Traditional batch learning models face challenges such as high maintenance and poor adaptability to rapid anomaly changes, known as concept drift. In contrast, streaming learning integrates online and incremental learning, enabling seamless updates and concept drift detection to improve robustness. This study investigates anomaly detection in streaming IoT traffic as binary classification, comparing batch and streaming learning approaches while assessing the limitations of current IoT traffic datasets. We simulated heterogeneous network data streams by carefully mixing existing datasets and streaming the samples one by one. Our results highlight the failure of batch models to handle concept drift, but also reveal persisting limitations of current datasets to expose model limitations due to low traffic heterogeneity. We also investigated the competitiveness of tree-based ML algorithms, well-known in batch anomaly detection, and compared it to non-tree-based ones, confirming the advantages of the former. Adaptive Random Forest achieved F1-score of 0.990 $\pm$ 0.006 at one-third the computational cost of its batch counterpart. Hoeffding Adaptive Tree reached F1-score of 0.910 $\pm$ 0.007, reducing computational cost by four times, making it a viable choice for online applications despite a slight trade-off in stability.
• Abstract（参考訳）: IoT(Internet of Things)ネットワークトラフィックの増加に伴い、マシンラーニング(ML)ベースの異常検出は、これまで以上に重要になっている。 従来のバッチ学習モデルは、高いメンテナンスや、コンセプトドリフトとして知られる急激な異常な変更への適応性の低下といった課題に直面している。 対照的に、ストリーミング学習はオンラインとインクリメンタルな学習を統合し、シームレスな更新とコンセプトドリフト検出を可能にして堅牢性を向上させる。 本研究では、ストリーミングIoTトラフィックの異常検出をバイナリ分類として検討し、バッチとストリーミング学習のアプローチを比較し、現在のIoTトラフィックデータセットの限界を評価した。 我々は、既存のデータセットを慎重に混合し、サンプルを1つずつストリーミングすることで、異種ネットワークデータストリームをシミュレートした。 この結果から, 提案手法では, バッチモデルによるコンセプトドリフト処理の失敗に加えて, トラヒックの不均一性によるモデル制約を明らかにするために, 現行データセットの持続的制限を明らかにした。 また,バッチ異常検出でよく知られる木に基づくMLアルゴリズムの競合性を検討した。 適応ランダムフォレストは、バッチの計算コストの3分の1で0.990$\pm$0.006のF1スコアを達成した。 Hoeffding Adaptive Tree は F1 スコア 0.910 $\pm$ 0.007 に達し、計算コストを4倍に削減した。

関連論文リスト

• Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
  応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。 本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。 以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
  論文  参考訳（メタデータ） (2025-08-09T19:39:33Z)
• ROSFD: Robust Online Streaming Fraud Detection with Resilience to Concept Drift in Data Streams [0.0]
  ストリーミングデータの連続生成は、タイムリーな不正検出を必要とする。 伝統的なバッチ処理手法は、しばしば急速に進化する不正行為のパターンを捉えるのに苦労する。 本稿では,効果的な不正検出のためのストリーミングデータ処理の重要性を強調した。
  論文  参考訳（メタデータ） (2025-04-14T13:50:23Z)
• Generative Active Adaptation for Drifting and Imbalanced Network Intrusion Detection [14.728689487990836]
  生成能動適応フレームワークは、モデルロバスト性を高めながらラベリング作業を最小化する。 我々は、シミュレーションIDSデータと実世界のISPデータセットの両方に基づいて、エンドツーエンドフレームワークNetGuardを評価した。
  論文  参考訳（メタデータ） (2025-03-04T21:49:42Z)
• Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
  異常と欠落したデータは、産業応用における厄介な問題を構成する。 ディープラーニングによる異常検出が重要な方向として現れている。 エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
  論文  参考訳（メタデータ） (2024-11-06T15:38:31Z)
• FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments [2.7776688429637466]
  FLAREは、トレーニングデータを条件付きで転送し、エッジとセンサのエンドポイント間でモデルをデプロイする、軽量なデュアルスケジューリングFLフレームワークである。 固定間隔スケジューリング法と比較して,FLAREはエッジノードとセンサノード間で交換されるデータ量を大幅に削減できることを示す。 少なくとも16倍のレイテンシで、コンセプトドリフトを反応的に検出できる。
  論文  参考訳（メタデータ） (2023-05-15T10:09:07Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
  本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。 我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。 本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
  論文  参考訳（メタデータ） (2020-07-10T16:00:44Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。