論文の概要: Incremental Fingerprinting in an Open World

• arxiv url: http://arxiv.org/abs/2601.21680v1
• Date: Thu, 29 Jan 2026 13:14:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.837179
• Title: Incremental Fingerprinting in an Open World
• Title（参考訳）: オープンワールドにおけるインクリメンタルフィンガープリント
• Authors: Loes Kruger, Paul Kobialka, Andrea Pferscher, Einar Broch Johnsen, Sebastian Junges, Jurriaan Rot,
• Abstract要約: ネットワークプロトコルのフィンガープリントは、その入出力動作を分析してプロトコルの実装を特定するために使用される。 伝統的に、フィンガープリントはクローズドワールドの前提の下で動作し、すべての実装のモデルが利用可能であると仮定される。 本研究では,能動オートマトン学習と閉世界フィンガープリントを組み合わせたインクリメンタルフィンガープリント手法を提案する。
• 参考スコア（独自算出の注目度）: 4.632697550690284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network protocol fingerprinting is used to identify a protocol implementation by analyzing its input-output behavior. Traditionally, fingerprinting operates under a closed-world assumption, where models of all implementations are assumed to be available. However, this assumption is unrealistic in practice. When this assumption does not hold, fingerprinting results in numerous misclassifications without indicating that a model for an implementation is missing. Therefore, we introduce an open-world variant of the fingerprinting problem, where not all models are known in advance. We propose an incremental fingerprinting approach to solve the problem by combining active automata learning with closed-world fingerprinting. Our approach quickly determines whether the implementation under consideration matches an available model using fingerprinting and conformance checking. If no match is found, it learns a new model by exploiting the structure of available models. We prove the correctness of our approach and improvements in asymptotic complexity compared to naive baselines. Moreover, experimental results on a variety of protocols demonstrate a significant reduction in misclassifications and interactions with these black-boxes.
• Abstract（参考訳）: ネットワークプロトコルのフィンガープリントは、その入出力動作を分析してプロトコルの実装を特定するために使用される。 伝統的に、フィンガープリントはクローズドワールドの前提の下で動作し、すべての実装のモデルが利用可能であると仮定される。 しかし、実際にはこの仮定は非現実的である。 この仮定が成立しない場合、フィンガープリントは実装のモデルが欠落していることを示すことなく、多くの誤分類をもたらす。 そこで本研究では,すべてのモデルが事前に知られているわけではない,フィンガープリント問題のオープンワールド版を導入する。 本研究では,能動オートマトン学習と閉世界フィンガープリントを組み合わせたインクリメンタルフィンガープリント手法を提案する。 提案手法は,フィンガープリントと適合性チェックを用いて,利用可能なモデルに適合するかどうかを迅速に判定する。 一致しない場合、利用可能なモデルの構造を利用して新しいモデルを学ぶ。 本研究は,本手法の正しさと漸近的複雑性の改善を主観的ベースラインに比較して証明する。 さらに、様々なプロトコルの実験結果から、これらのブラックボックスとの誤分類と相互作用が著しく減少することが示された。

関連論文リスト

• SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From [65.75182441010327]
  我々は,LDMフィンガープリントのより強く,より本質的な概念であるSeedPrintsを提案する。 トレーニングされていないモデルでは,パラメータのみに依存した再現可能なトークン選択バイアスが示される。 LLaMAスタイルとQwenスタイルのモデルの実験では、SeedPrintsはシードレベルの識別性を実現し、バイオメトリック指紋に似た生来からライフサイクルの識別認証を提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:34:08Z)
• Scalable Fingerprinting of Large Language Models [42.65365809809273]
  我々はPerinucleus sampleと呼ばれる新しい手法を導入し、スケーラブルで永続的で無害な指紋を生成する。 この手法により,Llama-3.1-8Bモデルに24,576個の指紋を付加できることを示した。
  論文  参考訳（メタデータ） (2025-02-11T18:43:07Z)
• Fingerprint Vector: Enabling Scalable and Efficient Model Fingerprint Transfer via Vector Addition [23.282821424581]
  我々はフィンガープリントベクトルと呼ばれる新しいメカニズムを提案する。 指紋をバックドアベースの微調整でベースモデルに埋め込み、タスク固有のパラメータデルタを指紋ベクトルとして抽出する。 キーデシダラタにまたがる直接注入に匹敵する、あるいは優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-13T14:04:39Z)
• Understanding prompt engineering may not require rethinking generalization [56.38207873589642]
  言語モデルによって与えられるPAC-Bayesと組み合わさったプロンプトの離散的性質は、文献の標準によって非常に厳密な一般化境界をもたらすことを示す。 この研究は、プロンプトエンジニアリングの広範な実践を正当化する可能性がある。
  論文  参考訳（メタデータ） (2023-10-06T00:52:48Z)
• FBI: Fingerprinting models with Benign Inputs [17.323638042215013]
  本稿では,モデルファミリとその変種の概念を一般化することにより,モデルの大幅な修正に耐性のある指紋認証方式を提案する。 我々は、修正されていない画像である良性入力が、両方のタスクに十分な材料であることを実証することによって、両方の目標を達成する。 どちらのアプローチも、かつてない1000以上のネットワークに対して実験的に検証されている。
  論文  参考訳（メタデータ） (2022-08-05T13:55:36Z)
• ProxyFAUG: Proximity-based Fingerprint Augmentation [81.15016852963676]
  ProxyFAUGはルールベースで近接性に基づく指紋増強法である。 このデータセット上で最高のパフォーマンスの測位法は、中央値エラーで40%改善され、平均誤差で6%向上した。
  論文  参考訳（メタデータ） (2021-02-04T15:59:30Z)
• Responsible Disclosure of Generative Models Using Scalable Fingerprinting [70.81987741132451]
  深層生成モデルは質的に新しいパフォーマンスレベルを達成した。 この技術がスプーフセンサーに誤用され、ディープフェイクを発生させ、大規模な誤情報を可能にするという懸念がある。 最先端のジェネレーションモデルを責任を持って公開することで、研究者や企業がモデルに指紋を刻むことができます。
  論文  参考訳（メタデータ） (2020-12-16T03:51:54Z)
• Latent Fingerprint Registration via Matching Densely Sampled Points [100.53031290339483]
  既存の潜伏指紋登録手法は、主にミツバチ間の対応を確立することに基づいている。 本研究では,一対の指紋間の空間的変換を推定する,最小限の潜伏指紋登録手法を提案する。 提案手法は,特に挑戦的な条件下で,最先端の登録性能を実現する。
  論文  参考訳（メタデータ） (2020-05-12T15:51:59Z)

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。