論文の概要: Adaptive Traffic Camouflage: Causal and Resource-Aware Defense Against IoT Fingerprinting

• arxiv url: http://arxiv.org/abs/2609.25787v2
• Date: Wed, 23 Sep 2026 02:24:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.673635
• Title: Adaptive Traffic Camouflage: Causal and Resource-Aware Defense Against IoT Fingerprinting
• Title（参考訳）: 適応的なトラフィックカモフラージュ:IoTフィンガープリントに対する因果的かつリソース対応の防御
• Abstract要約: Adaptive Traffic Camouflageは、ランタイムデバイスラベルなしでトラフィック形状のリークを特徴付ける。 我々は,CIC-IoT-2022,IoT Sentinel,UNSWの設計を,古典的およびシーケンスベースのフィンガープリントモデルを用いて評価した。
• 参考スコア（独自算出の注目度）: 29.70795581899607
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encryption hides IoT payloads, but traffic shape can still reveal device identity through packet sizes, timing, direction, and packetization. We present Adaptive Traffic Camouflage, a causal, leakage-aware controller that characterizes traffic-shape leakage without runtime device labels and selects a budget-feasible transformation for the next traffic window from previous-window context. The controller chooses among padding, packet splitting, timing, and composite transformations, or leaves traffic unchanged when camouflage is unnecessary. We evaluate the design on CIC-IoT-2022, IoT Sentinel, and UNSW using classical and sequence-based fingerprinting models under clean-trained, defense-aware, and incremental-exposure settings, with fixed, random, and mean-bandwidth-matched baselines. Under the Balanced profile, camouflage reduces mean Macro-F1 by 13.2-23.3% relative to clean traffic with 4.88-7.47% average bandwidth overhead and at most 0.64 ms added latency. Under the larger Privacy profile, the reduction increases to 28.0-43.5%. Defense-aware training recovers much of the lost attacker performance on CIC-IoT-2022 and UNSW, while IoT Sentinel retains a substantial privacy gap. A non-causal same-window reference provides only modest additional benefit over previous-window control, and metadata-rich attackers remain effective outside the targeted traffic-shape surface. These results show that causal, resource-aware camouflage can reduce IoT traffic-shape fingerprintability under explicit communication constraints, while the persistence of protection depends on how readily the defended distribution can be learned.
• Abstract（参考訳）: 暗号化はIoTペイロードを隠蔽するが、トラフィックの形状は、パケットサイズ、タイミング、方向、パケット化を通じてデバイスアイデンティティを明らかにすることができる。 本稿では,アダプティブ・トラヒック・カモフラージュ(Adaptive Traffic Camouflage)について述べる。アダプティブ・トラヒック・カモフラージュ(adaptive Traffic Camouflage)は,アダプティブ・トラヒック・カモフラージュ(adaptive Traffic Camouflage)で,アダプティブ・デバイスラベルを使わずにトラフィック・シェイプ・リークを特徴付ける。 コントローラは、パディング、パケット分割、タイミング、複合変換の中から選択する。 我々は,CIC-IoT-2022,IoT Sentinel,UNSWの設計を,従来型およびシーケンスベースの指紋認証モデルを用いて,固定,ランダム,平均帯域幅の整合したベースラインで,クリーントレーニング,ディフェンスアウェア,インクリメンタル露光設定で評価した。 Balancedプロファイルの下では、平均的なMacro-F1を13.2-23.3%削減し、平均帯域幅は4.88-7.47%、最低でも0.64msの遅延を発生させる。 より大きなプライバシープロファイルの下では、削減率は28.0-43.5%に増加した。 防衛対応トレーニングは、CIC-IoT-2022とUNSWで失われた攻撃者のパフォーマンスの多くを回復する一方、IoT Sentinelは、かなりのプライバシーギャップを維持している。 非因果的同ウィンドウ参照は、以前のウィンドウ制御よりもわずかに恩恵を与えるだけであり、メタデータに富んだアタッカーは、ターゲットのトラフィック形状表面の外側で有効である。 これらの結果から、リソースを意識したカモフラージュにより、明示的な通信制約下でのIoTトラフィック形状のフィンガープリント性が低減され、保護の持続性は、防御された分布がどの程度容易に学習できるかに依存することが示された。

関連論文リスト

• AmbSentry: Mitigating Sensing Eavesdropping in ISAC Systems by Harnessing Ambient IoT Devices [60.083979780396014]
  6Gネットワークの重要なパラダイムとして、ISAC(Integrated Sensistance and Communication)が登場している。 本稿では,盗聴者に対する検知情報の漏洩を防止するISACシステムであるAmbSentryを提案する。
  論文  参考訳（メタデータ） (2026-08-12T08:42:05Z)
• Adaptive Security at the Edge for 6G-Enabled Healthcare IoT [1.1331039764827395]
  本稿では,エッジにおけるソースごとのトラフィック強度を観測し,監査可能な多層レートポリシーを施行するカーネルプレーン閉ループコントローラを提案する。 ゲートウェイにおける適応的で監査可能な実施は、医療用IoTを改善することができ、オンデマンドのポリシー展開に向けて拡張可能であることを示します。
  論文  参考訳（メタデータ） (2026-07-30T08:34:42Z)
• DSpark: Confidence-Scheduled Speculative Decoding with Semi-Autoregressive Generation [69.8840101036735]
  投機的復号化はLarge Language Model (LLM)推論を加速させる。 最近の並列起草者は、1つの前方通過で長いトークン列を効率的に提案するが、トークン間の依存関係が欠如しているため、急速に受け入れが低下する。 我々はDSparkという投機的復号化フレームワークを導入し、高いスループットの並列生成を適応的かつロードアウェアな検証と統合する。
  論文  参考訳（メタデータ） (2026-07-06T14:28:06Z)
• Instance-level Visual Active Tracking with Occlusion-Aware Planning [61.982298426203165]
  Visual Active Tracking (VAT)は、カメラを3D空間でターゲットに追従することを目的としている。 VATは、視覚的に類似したイントラクタからの混乱と、閉塞下での深刻な障害という、現実世界のデプロイメントにおいて2つの重要なボトルネックに直面している。 3つの相補的なモジュールを持つ統一パイプラインであるOA-VATを提案する。
  論文  参考訳（メタデータ） (2026-04-23T09:11:50Z)
• WISV: Wireless-Informed Semantic Verification for Distributed Speculative Decoding in Device-Edge LLM Inference [56.297697169678095]
  WISV(Wireless-Informed Semantic Verification)は、分散投機的復号化フレームワークである。 WISVは最大60.8%の許容長の増加、37.3%の対話ラウンドの削減、31.4%のエンドツーエンドレイテンシの改善を実現している。 NVIDIA Jetson AGX OrinとA40搭載サーバからなるハードウェアテストベッド上でWISVを検証する。
  論文  参考訳（メタデータ） (2026-04-20T01:29:56Z)
• Attention in Motion: Secure Platooning via Transformer-based Misbehavior Detection [0.6999740786886536]
  車両小隊は、多車編成の調整を通じて、輸送効率と安全性の変革的な改善を約束する。 確率チェックや統計的手法に依存する従来の誤動作検出手法は、偽陽性(FP)率が高い。 Intention In Motion (AIMformer) は、車体プラトンにおけるリアルタイムな誤動作検出に適したトランスフォーマーベースのフレームワークである。
  論文  参考訳（メタデータ） (2025-12-17T14:45:33Z)
• Hiding in Plain Sight: An IoT Traffic Camouflage Framework for Enhanced Privacy [2.0257616108612373]
  パケットパディングのような既存の技術的難読化手法は、スマートホームのような動的な環境では不足することが多い。 本稿では,交通分析を中断させることでプライバシーを向上する多技術難読化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T04:33:44Z)
• Over-the-Air Federated Learning with Privacy Protection via Correlated Additive Perturbations [57.20885629270732]
  我々は、複数のユーザ/エージェントからエッジサーバへの勾配更新をOtA(Over-the-Air)で送信することで、無線フェデレーション学習のプライバシー面を考察する。 従来の摂動に基づく手法は、トレーニングの精度を犠牲にしてプライバシー保護を提供する。 本研究では,エッジサーバにおけるプライバシリークの最小化とモデル精度の低下を目標とする。
  論文  参考訳（メタデータ） (2022-10-05T13:13:35Z)
• Tweaking Metasploit to Evade Encrypted C2 Traffic Detection [5.156484100374058]
  コマンド・アンド・コントロール(C2)通信は、いかなる構造化サイバー攻撃においても重要な要素である。 Metasploitのようなペンテスティングツールは、通常のWebトラフィックと容易に区別できる一定のトラフィックパターンを生成する。 機械学習に基づく検知器は,暗号化された場合でも,そのようなトラフィックの存在を高精度に検出できることを示す。
  論文  参考訳（メタデータ） (2022-09-02T10:56:15Z)
• A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration Framework [56.57225686288006]
  モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。 従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。 プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-13T23:52:03Z)

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。