論文の概要: Unsupervised Baseline Clustering and Incremental Adaptation for IoT Device Traffic Profiling

• arxiv url: http://arxiv.org/abs/2602.24047v1
• Date: Fri, 27 Feb 2026 14:31:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.461162
• Title: Unsupervised Baseline Clustering and Incremental Adaptation for IoT Device Traffic Profiling
• Title（参考訳）: IoTデバイストラフィックプロファイリングのための教師なしベースラインクラスタリングとインクリメンタル適応
• Authors: Sean M. Alderman, John D. Hastings,
• Abstract要約: 教師なしIoTデバイスのトラフィックプロファイリングとインクリメンタルモデル更新のためのフロー機能ベースのパイプライン。 ベースラインプロファイリングでは、密度ベースのクラスタリング(DBSCAN)がデータの実質的な外れ値部分を分離する。 漸進的な適応のために、ストリーム指向のクラスタリング手法を評価し、BIRCHが効率的な更新をサポートすることを発見した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growth and heterogeneity of IoT devices create security challenges where static identification models can degrade as traffic evolves. This paper presents a two-stage, flow-feature-based pipeline for unsupervised IoT device traffic profiling and incremental model updating, evaluated on selected long-duration captures from the Deakin IoT dataset. For baseline profiling, density-based clustering (DBSCAN) isolates a substantial outlier portion of the data and produces the strongest alignment with ground-truth device labels among tested classical methods (NMI 0.78), outperforming centroid-based clustering on cluster purity. For incremental adaptation, we evaluate stream-oriented clustering approaches and find that BIRCH supports efficient updates (0.13 seconds per update) and forms comparatively coherent clusters for a held-out novel device (purity 0.87), but with limited capture of novel traffic (share 0.72) and a measurable trade-off in known-device accuracy after adaptation (0.71). Overall, the results highlight a practical trade-off between high-purity static profiling and the flexibility of incremental clustering for evolving IoT environments.
• Abstract（参考訳）: IoTデバイスの成長と異質性は、トラフィックの進化に伴って静的識別モデルが劣化する可能性のあるセキュリティ上の課題を生み出します。 本稿では、Deakin IoTデータセットから選択した長期キャプチャに基づいて、教師なしIoTデバイストラフィックプロファイリングとインクリメンタルモデル更新のための2段階フロー機能ベースのパイプラインを提案する。 ベースラインプロファイリングでは、密度ベースのクラスタリング (DBSCAN) がデータの実質的なアウトリーチ部分を分離し、試験された古典的手法 (NMI 0.78) の中で地上構造デバイスラベルと最強のアライメントを発生させる。 漸進的適応のために,ストリーム指向クラスタリング手法を評価し,BIRCHが効率的な更新(更新1回0.13秒)をサポートし,保持された新規デバイス(純度0.87)に対して比較的コヒーレントなクラスタを形成するが,新規トラフィック(シェア0.72)が制限され,適応後の既知のデバイス精度のトレードオフ(0.71)が測定できる。 全体としては、高純度な静的プロファイリングと、進化するIoT環境のためのインクリメンタルクラスタリングの柔軟性の実践的なトレードオフが強調されている。

関連論文リスト

• IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
  IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。 本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T14:36:46Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• AVP-Fusion: Adaptive Multi-Modal Fusion and Contrastive Learning for Two-Stage Antiviral Peptide Identification [2.242125769416219]
  AVP-Fusionは、適応的な特徴融合と対照的な学習を統合した、新しい2段階のディープラーニングフレームワークである。 精度は 0.9531 であり、MCC は 0.9064 であり、最先端の手法を著しく上回っている。 移行学習を利用する第2段階では、このモデルは6つのウイルスファミリーと8つの特定のウイルスの正確なサブクラス予測を可能にする。
  論文  参考訳（メタデータ） (2025-12-25T07:29:39Z)
• You Can Trust Your Clustering Model: A Parameter-free Self-Boosting Plug-in for Deep Clustering [73.48306836608124]
  DCBoostはパラメータフリーのプラグインで、現在のディープクラスタリングモデルのグローバルな特徴構造を強化するように設計されている。 本手法は, クラスタリング性能を効果的に向上することを目的としている。
  論文  参考訳（メタデータ） (2025-11-26T09:16:36Z)
• MixGAN: A Hybrid Semi-Supervised and Generative Approach for DDoS Detection in Cloud-Integrated IoT Networks [7.744496444309422]
  MixGANは条件付き生成、半教師付き学習、頑健な特徴抽出を統合したハイブリッド検出手法である。 複雑な時間的トラフィックパターンを扱うために、残差接続を有する時間的畳み込み層からなる1次元ワイドレスネットバックボーンを設計する。 クラス不均衡とラベルの不足を軽減するために,事前訓練したCTGANを用いて,合成マイノリティクラス(DDoS攻撃)サンプルを生成する。 NSL-KDD、BoT-IoT、CIC2023の実験では、MixGANはTPRとTNRの両方で最大2.5%の精度と4%の改善を実現している。
  論文  参考訳（メタデータ） (2025-08-22T20:13:29Z)
• Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
  Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。 動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。 これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-07-14T16:19:00Z)
• 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)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Decentralised Resource Sharing in TinyML: Wireless Bilayer Gossip Parallel SGD for Collaborative Learning [2.6913398550088483]
  本稿では,2層化ゴシップ分散並列 Descent (GDD) を提案する。 GDDは断続接続、限られた通信範囲、動的ネットワークトポロジに対処する。 我々は,CFL(Centralized Federated Learning)ベースラインに対する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） (2025-01-08T20:14:07Z)
• Hybrid-Segmentor: A Hybrid Approach to Automated Fine-Grained Crack Segmentation in Civil Infrastructure [52.2025114590481]
  エンコーダ・デコーダをベースとした手法であるHybrid-Segmentorを導入する。 これにより、モデルは、様々な種類の形状、表面、き裂の大きさを区別する一般化能力を向上させることができる。 提案モデルは,5つの測定基準(精度0.971,精度0.804,リコール0.744,F1スコア0.770,IoUスコア0.630)で既存ベンチマークモデルより優れ,最先端の状態を達成している。
  論文  参考訳（メタデータ） (2024-09-04T16:47:16Z)
• FedAC: An Adaptive Clustered Federated Learning Framework for Heterogeneous Data [21.341280782748278]
  クラスタ化フェデレーション学習(CFL)は、データ不均一性から生じる性能劣化を軽減するために提案される。 我々は,グローバル知識をクラスタ内学習に効率的に統合する適応型CFLフレームワークFedACを提案する。 実験の結果、FedACは試験精度が1.82%、12.67%向上した。
  論文  参考訳（メタデータ） (2024-03-25T06:43:28Z)

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。