論文の概要: Machine Learning Optimization for Enhanced OS Fingerprinting

• arxiv url: http://arxiv.org/abs/2610.11133v1
• Date: Thu, 08 Oct 2026 02:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.750996
• Title: Machine Learning Optimization for Enhanced OS Fingerprinting
• Title（参考訳）: 強化OSフィンガープリントのための機械学習最適化
• Abstract要約: CIC-IDS 2017データセット上でオペレーティングシステムを受動的に識別する効果について検討する。 この研究は、nPrintを使ってデータを前処理する新しいコマンドラインインターフェース、OsirisMLも提案している。 OsirisMLモデルは、金曜日の捕獲のダウンサンプルサブセットで97.66%、捕獲全体で84.69%に達する。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Operating System (OS) Fingerprinting is a technique that can be used to identify a network's operating systems by evaluating network traffic in the form of TCP/IP packets. This research will explore the effectiveness of passively identifying operating systems on the CIC-IDS2017 dataset, a collection of over 47 gigabytes of pcap files with their corresponding operating systems. This research also proposes a new command line interface, OsirisML, which uses nPrint to preprocess the data into tabular data and XGBoost to apply ML to the data to generate, retrain, and test ML models. When packets are split randomly between training and testing, OsirisML models reach an accuracy of 97.66% on a down-sampled subset of the Friday capture and 84.69% on the entire capture. On the entire Monday capture, which contains no attacks, OsirisML reaches an accuracy of 73.83% and an F-1 score of 79.38%.
• Abstract（参考訳）: オペレーティングシステム (OS) フィンガープリント (Fingerprinting) は、TCP/IPパケットの形でネットワークトラフィックを評価することにより、ネットワークのオペレーティングシステムを識別する技術である。 本研究は,CIC-IDS2017データセット上で,対応するオペレーティングシステムと47ギガバイト以上のpcapファイルのコレクションであるOSを受動的に識別する効果について検討する。 これはnPrintを使ってデータを表のデータにプリプロセスし、XGBoostはMLをデータに適用してMLモデルを生成し、再トレーニングし、テストする。 トレーニングとテストの間にパケットがランダムに分割される場合、OsirisMLモデルは金曜日の捕獲のダウンサンプルサブセットで97.66%、捕獲全体で84.69%の精度に達する。 攻撃を含まない月曜の捕獲では、OsirisMLは73.83%、F-1スコアは79.38%に達した。

関連論文リスト

• A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services [3.8957143647621515]
  クラウドベースの大規模言語モデルサービスは、暗号化にもかかわらずモデル、プロンプト、タスクの振る舞いを公開できるネットワークレベルのトラフィックサイドチャネルを作成する。 ユーザ間での暗号化トラフィックの統一計測と公開ベンチマークを,LLMとマルチエージェントで実施した。
  論文  参考訳（メタデータ） (2026-09-25T18:13:58Z)
• ProCUA-SFT Technical Report [80.97543110323542]
  コンピュータ使用エージェント(CUA)の訓練には、全デスクトップ環境で収集された大規模で多様な軌跡データが必要である。 93Kの合成軌道から抽出した3.1MステップレベルのSFTサンプルのデータセットであるProCUA-SFTについて述べる。 ProCUA-SFTの微調整UI-TARS 7Bは、OSWorldで45.0%、ベースモデルよりも18.7ポイント改善されている。
  論文  参考訳（メタデータ） (2026-06-15T22:04:11Z)
• When Speculation Spills Secrets: Side Channels via Speculative Decoding In LLMs [2.305309289946973]
  そこで本研究では,不正な推測と正しい推測の入力依存パターンを,フィルタ単位のトークン数やパケットサイズをモニタすることによって推定できる,新たなサイドチャネルを明らかにする。 これらのパターンを観察する敵は、4つの投機的デコードスキームで90%の精度でユーザクエリをフィンガープリントすることができる。 パケットパディングや繰り返しトークンアグリゲーションなど,一連の軽減策を提案し,評価する。
  論文  参考訳（メタデータ） (2024-11-01T23:14:30Z)
• Estimating the Number of HTTP/3 Responses in QUIC Using Deep Learning [7.795761092358769]
  本稿では、所定のQUIC接続におけるHTTP/3応答数をオブザーバによって推定する新しい手法を提案する。 提案方式では,QUIC接続トレースを画像シーケンスに変換し,機械学習(ML)モデルを用いて応答数を予測する。
  論文  参考訳（メタデータ） (2024-10-08T15:40:22Z)
• Data-Juicer: A One-Stop Data Processing System for Large Language Models [73.27731037450995]
  データレシピは、大規模言語モデル(LLM)をトレーニングするための異なるソースからのデータの混合である。 我々はData-Juicerという新しいシステムを構築し、多様なデータレシピを効率的に生成できる。 Data-Juicerから派生したデータレシピは、最先端のLLMで顕著に改善されている。
  論文  参考訳（メタデータ） (2023-09-05T08:22:07Z)
• DataComp: In search of the next generation of multimodal datasets [179.79323076587255]
  DataCompは、Common Crawlの128億の画像テキストペアの候補プールを中心にしたデータセット実験用のテストベッドである。 我々のベンチマークは、複数の計算スケールから成っている。 特に、最良のベースラインであるDataComp-1Bは、ImageNetでCLIP ViT-L/14をスクラッチから79.2%のゼロショット精度でトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2023-04-27T11:37:18Z)
• Near-chip Dynamic Vision Filtering for Low-Bandwidth Pedestrian Detection [99.94079901071163]
  本稿では、ダイナミックビジョンセンサ(DVS)を用いた歩行者検出のための新しいエンドツーエンドシステムを提案する。 我々は、複数のセンサがローカル処理ユニットにデータを送信し、検出アルゴリズムを実行するアプリケーションをターゲットにしている。 我々の検出器は450ミリ秒毎に検出を行うことができ、総合的なテストF1スコアは83%である。
  論文  参考訳（メタデータ） (2020-04-03T17:36:26Z)
• Hybrid Model For Intrusion Detection Systems [0.0]
  このプロジェクトには、侵入検知システムで使用されるさまざまな機械学習アルゴリズムの分析が含まれる。 両データセットの異なる侵入検知システムの解析の後、本プロジェクトは侵入検知システムのための新しいハイブリッドモデルを開発することを目的とした。
  論文  参考訳（メタデータ） (2020-03-19T05:52:29Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。