論文の概要: Generalizable IoT Traffic Representations for Cross-Network Device Identification

• arxiv url: http://arxiv.org/abs/2601.19315v1
• Date: Tue, 27 Jan 2026 07:56:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.236265
• Title: Generalizable IoT Traffic Representations for Cross-Network Device Identification
• Title（参考訳）: クロスネットワークデバイス識別のための一般化可能なIoTトラフィック表現
• Authors: Arunan Sivanathan, David Warren, Deepak Mishra, Sushmita Ruj, Natasha Fernandes, Quan Z. Sheng, Minh Tran, Ben Luo, Daniel Coscia, Gustavo Batista, Hassan Habibi Gharakaheili,
• Abstract要約: 本研究では,IoTデバイス識別のための一般化可能なトラフィック表現の学習問題について検討する。 ラベルのないIoTトラフィックからフローごとの埋め込みを学習する,コンパクトなエンコーダアーキテクチャを設計する。 これらの学習された表現は、IoTデバイスタイプの分類に効果的に利用できることを示す。
• 参考スコア（独自算出の注目度）: 15.867734233278568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models have demonstrated strong performance in classifying network traffic and identifying Internet-of-Things (IoT) devices, enabling operators to discover and manage IoT assets at scale. However, many existing approaches rely on end-to-end supervised pipelines or task-specific fine-tuning, resulting in traffic representations that are tightly coupled to labeled datasets and deployment environments, which can limit generalizability. In this paper, we study the problem of learning generalizable traffic representations for IoT device identification. We design compact encoder architectures that learn per-flow embeddings from unlabeled IoT traffic and evaluate them using a frozen-encoder protocol with a simple supervised classifier. Our specific contributions are threefold. (1) We develop unsupervised encoder--decoder models that learn compact traffic representations from unlabeled IoT network flows and assess their quality through reconstruction-based analysis. (2) We show that these learned representations can be used effectively for IoT device-type classification using simple, lightweight classifiers trained on frozen embeddings. (3) We provide a systematic benchmarking study against the state-of-the-art pretrained traffic encoders, showing that larger models do not necessarily yield more robust representations for IoT traffic. Using more than 18 million real IoT traffic flows collected across multiple years and deployment environments, we learn traffic representations from unlabeled data and evaluate device-type classification on disjoint labeled subsets, achieving macro F1-scores exceeding 0.9 for device-type classification and demonstrating robustness under cross-environment deployment.
• Abstract（参考訳）: マシンラーニングモデルは、ネットワークトラフィックの分類とIoT(Internet-of-Things)デバイス識別において強力なパフォーマンスを示し、オペレータが大規模なIoTアセットの検出と管理を可能にしている。 しかし、既存の多くのアプローチはエンドツーエンドの監視パイプラインやタスク固有の微調整に依存しており、結果としてラベル付きデータセットやデプロイメント環境と密結合したトラフィック表現が一般化性を制限する可能性がある。 本稿では,IoTデバイス識別のための一般化可能なトラフィック表現の学習問題について検討する。 我々は、ラベルのないIoTトラフィックからフローごとの埋め込みを学習するコンパクトエンコーダアーキテクチャを設計し、簡単な教師付き分類器による凍結エンコーダプロトコルを用いて評価する。 私たちの具体的な貢献は3倍です。 1) ラベルのないIoTネットワークフローからコンパクトなトラフィック表現を学習し, 再構成に基づく解析により品質を評価する, 教師なしエンコーダ-デコーダモデルを開発した。 2) これらの学習表現は, 凍結埋め込みを訓練した単純軽量な分類器を用いて, IoTデバイスタイプの分類に効果的に利用できることを示す。 (3) 大規模モデルが必ずしもIoTトラフィックに対してより堅牢な表現をもたらすとは限らないことを示す,最先端の事前訓練トラフィックエンコーダに対して,系統的なベンチマーク研究を行う。 複数年にわたって収集された1800万以上の実IoTトラフィックフローとデプロイメント環境を使用して、ラベル付けされていないデータからトラフィック表現を学び、非結合ラベル付きサブセットのデバイスタイプ分類を評価し、デバイスタイプ分類の0.9を超えるマクロF1スコアを達成し、環境横断デプロイメント下で堅牢性を示す。

関連論文リスト

• From Flows to Functions: Macroscopic Behavioral Fingerprinting of IoT Devices via Network Services [2.3037558470292185]
  ネットワーク内のIoT(Internet of Things)として知られるカメラ、プリンタ、音声アシスタント、健康モニタリングセンサーなどのデバイスを識別することは、重要な運用課題である。 既存のアプローチのほとんどは、短命の交通ユニット(パケットやフロー)のきめ細かい特徴に適用される機械学習(ML)技術に依存している。 本稿では,IoTデバイスが意図した機能を実行するために使用するネットワークサービスに着目した,行動フィンガープリントのマクロ的,軽量,説明可能な代替手段を提案する。
  論文  参考訳（メタデータ） (2025-12-18T09:37:50Z)
• 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)
• IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification [10.900679661892932]
  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。
  論文  参考訳（メタデータ） (2025-04-21T03:24:14Z)
• 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)
• Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification [0.6060461053918144]
  最先端の分類法はDeep Learningに基づいている。 実際の状況では、IoTトラフィックデータが不足しているため、モデルのパフォーマンスはそれほど良くない。 大規模なラベル付きトランスフォーマーベースのIoTトラフィックデータセット上で事前トレーニングされたIoTトラフィック分類変換器(ITCT)を提案する。 実験の結果、ITCTモデルは既存のモデルよりも大幅に優れ、全体的な精度は82%に達した。
  論文  参考訳（メタデータ） (2024-07-26T19:13:11Z)
• 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)
• 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)
• SIM-Trans: Structure Information Modeling Transformer for Fine-grained Visual Categorization [59.732036564862796]
  本稿では,オブジェクト構造情報を変換器に組み込んだSIM-Trans(Structure Information Modeling Transformer)を提案する。 提案した2つのモジュールは軽量化されており、任意のトランスフォーマーネットワークにプラグインでき、エンドツーエンドで容易に訓練できる。 実験と解析により,提案したSIM-Transが細粒度視覚分類ベンチマークの最先端性能を達成することを示した。
  論文  参考訳（メタデータ） (2022-08-31T03:00:07Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
  本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。 FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。 分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
  論文  参考訳（メタデータ） (2021-05-25T08:02:44Z)

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。