論文の概要: Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling

• arxiv url: http://arxiv.org/abs/2608.15465v2
• Date: Mon, 24 Aug 2026 00:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 18:24:36.870682
• Title: Maintaining IoT Device Identification under Concept Drift via Budget-Aware Traffic Labeling
• Title（参考訳）: Budget-Aware Traffic Labelingによるコンセプトドリフト下でのIoTデバイス識別の維持
• Authors: Shayan Azizi, Norihiro Okui, Masataka Nakahara, Ayumu Kubota, Gustavo Batista, Hassan Habibi Gharakaheili,
• Abstract要約: 本稿では, デバイスクラス間での行動進化と, 新たにラベル付けされたトラヒックによる再トレーニングが, 分類性能を回復させる方法について検討する。 本研究では, 実交通特性から直接, クラス条件の挙動モデルを捕捉する適合性に基づくドリフト検出器を開発した。 本研究では, 観測された挙動変化に応じて, トラフィックのラベル付け率を調整し, 均一なトラフィックサンプリングと組み合わせることで, 検出器誘導試料選択よりも効率よく性能を維持できることを実証する。
• 参考スコア（独自算出の注目度）: 2.2049294671639834
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identification of IoT device types from passive traffic is increasingly used for security management in enterprise and ISP networks. However, the performance of machine learning-based classifiers gradually degrades under concept drift as device behavior evolves. Therefore, maintaining classification performance requires periodic retraining with newly labeled deployment traffic. The operational challenge is determining how much and which deployment traffic instances to label for maintaining classification performance. We show that these two decisions should be treated separately. While retraining solely on instances selected by a drift detector is prone to systematically overlooking parts of the emerging behavioral space, uniformly sampled deployment traffic captures more representative behavioral changes. Instead, drift detection is more effective at determining the amount of deployment traffic that should be labeled. We make three contributions. (1) We conduct a two-year longitudinal study of IoT traffic and characterize how behavioral evolution manifests across device classes and how retraining with newly labeled traffic restores classification performance. (2) We develop a conformity-based drift detector that captures class-conditional behavioral models directly from raw traffic features and provides feature-level explanations of behavioral evolution. (3) We demonstrate that adjusting the traffic labeling rate according to the observed behavioral evolution, combined with uniform traffic sampling, maintains classifier performance more effectively than detector-guided sample selection and is beneficial to managing the traffic labeling effort. We further show that this strategy performs comparably to confidence-guided adaptation while providing feature-level explanations. Our evaluation uses 3.8 million IPFIX flow records collected from 21 IoT types over more than 2 years.
• Abstract（参考訳）: 受動的トラフィックからIoTデバイスタイプを特定することは、企業やISPネットワークのセキュリティ管理にますます利用されている。 しかし、機械学習に基づく分類器の性能は、デバイス動作が進化するにつれて徐々に低下する。 そのため、分類性能の維持には、新たにラベル付けされたデプロイメントトラフィックによる定期的な再訓練が必要である。 運用上の課題は、分類性能を維持するために、どのトラフィックインスタンスをラベルにデプロイするかを決定することだ。 この2つの決定は別々に扱うべきである。 ドリフト検出器によって選択されたインスタンスのみに再トレーニングすることは、出現する行動空間の一部を体系的に見渡す傾向があるが、均一にサンプリングされた展開トラフィックは、より代表的な行動変化をキャプチャする。 代わりに、ドリフト検出は、ラベル付けすべきデプロイメントトラフィックの量を決定するのにより効果的です。 私たちは3つの貢献をします。 1)IoTトラフィックに関する2年間の縦断的研究を行い,デバイスクラス間での行動進化と,新たにラベル付けされたトラフィックによる再トレーニングによる分類性能の回復を特徴付ける。 2) 同相性に基づくドリフト検出器を開発し,交通特性からクラス条件の行動モデルを直接捕捉し,行動の進化を特徴レベルに説明する。 (3) 観測された行動変化に応じた交通ラベル付け率の調整と均一な交通サンプリングの併用により, 検出誘導サンプル選択よりも効果的に分類器性能を維持し, 交通ラベル付け作業の管理に有用であることを示す。 さらに,この戦略は,機能レベルの説明を提供しながら,信頼誘導適応と同等に機能することを示す。 評価では、2年以上にわたって21のIoTタイプから収集された380万のIPFIXフローレコードを使用します。

関連論文リスト

• UAV traffic scene understanding: A regulation embedded multi-modal network and a unified benchmark [22.241798167957214]
  無人航空機(UAV)プラットフォームからの交通状況の理解は、インテリジェント輸送システムにとって不可欠である。 既存の手法は、光学画像に大きく依存しているため、現実世界の監視において重大な課題に直面している。 本稿では,UAVトラフィックシーン理解のための新しいマルチモーダルトラフィック認知ネットワーク(MTCNet)を提案する。
  論文  参考訳（メタデータ） (2026-03-11T12:53:38Z)
• Generalizable IoT Traffic Representations for Cross-Network Device Identification [15.867734233278568]
  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。
  論文  参考訳（メタデータ） (2026-01-27T07:56:31Z)
• Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework [2.289837306672451]
  本稿では,モデルに依存しない,入力摂動に基づく交通説明フレームワークであるTraffic-Explainerを提案する。 元のトラフィックシーケンスの予測間の相互情報を最大化することにより、Traffic-Explainerはモデル予測を駆動する最も影響力のある特徴を明らかにする。 実験によると、Traffic-Explainerは既存の説明手法を約42%改善している。
  論文  参考訳（メタデータ） (2025-09-22T16:46:12Z)
• Overtake Detection in Trucks Using CAN Bus Signals: A Comparative Study of Machine Learning Methods [51.28632782308621]
  ボルボグループが提供する5台の車載トラックから収集した制御エリアネットワーク(CAN)バスデータを用いたオーバーテイク検出に焦点を当てた。 車両操作検出、ニューラルネットワーク(ANN)、ランダムフォレスト(RF)、サポートベクトルマシン(SVM)の3つの共通分類器の評価を行った。 当社のパートラック分析では、特にオーバーテイクにおいて、車両毎のトレーニングデータの量に依存する分類精度も明らかにしています。
  論文  参考訳（メタデータ） (2025-07-01T09:20:41Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
  運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。 提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
  論文  参考訳（メタデータ） (2021-03-01T06:47:29Z)
• IntentNet: Learning to Predict Intention from Raw Sensor Data [86.74403297781039]
  本論文では,LiDARセンサが生成する3次元点群と,環境の動的なマップの両方を利用するワンステージ検出器と予測器を開発した。 当社のマルチタスクモデルは、それぞれの別々のモジュールよりも高い精度を実現し、計算を節約します。
  論文  参考訳（メタデータ） (2021-01-20T00:31:52Z)
• Quantifying the Impact of Non-Stationarity in Reinforcement Learning-Based Traffic Signal Control [7.970144204429356]
  我々は、信号ネットワークにおいて、異なる非定常性源が持つ影響を分析する。 実況を代表的に観測するに適したセンサがないことは,基盤となる交通パターンの変化よりも性能に大きく影響していると考えられる。
  論文  参考訳（メタデータ） (2020-04-09T19:20:43Z)

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。