論文の概要: MAppPrint: Robust and Real-time Mobile App Fingerprinting via Traffic Behavior Correlation Graphs

• arxiv url: http://arxiv.org/abs/2610.22148v1
• Date: Thu, 15 Oct 2026 16:17:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.187632
• Title: MAppPrint: Robust and Real-time Mobile App Fingerprinting via Traffic Behavior Correlation Graphs
• Title（参考訳）: MAppPrint: 交通行動相関グラフによるロバストでリアルタイムなモバイルアプリフィンガープリント
• Abstract要約: MAppPrintは堅牢でリアルタイムなアプリフィンガープリントフレームワークである。 AFの精度は4.913.9%向上し、最先端の手法よりも36倍改善されている。
• 参考スコア（独自算出の注目度）: 32.70058968561868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile apps have become ubiquitous in daily life. Despite communication encryption, app fingerprinting (AF) attacks can still enable adversaries to infer the apps in use by analyzing patterns of encrypted network traffic. However, existing AF attacks suffer from three critical limitations that hinder their practical effectiveness: (i) the inability to capture app-specific traffic dependencies, rendering traffic fingerprints fragile under dynamic networking conditions; (ii) the neglect of latency and throughput considerations, resulting in inefficient real-time user tracking; and (iii) the incapacity to handle mixed traffic generated by multi-app concurrency. In this paper, we propose MAppPrint, a robust and real-time app fingerprinting framework. MAppPrint introduces a behavior-level traffic fingerprint, i.e., Traffic Behavior Correlation Graph (TBCG), which models app traffic by capturing unit traffic behaviors and their correlations, thereby providing reliable app fingerprints. To enable real-time fingerprinting, MAppPrint incorporates a fingerprint compression algorithm that transforms each TBCG into a compact graph by selectively aggregating redundant information. Furthermore, MAppPrint employs an unsupervised decomposition strategy to disentangle mixed traffic generated by multi-app concurrency, enabling unified identification of both single-app and multi-app traffic. Extensive experimental results demonstrate that MAppPrint achieves 4.9~13.9% improvement in AF precision and 3~6 times improvement in timeliness over state-of-the-art methods. Meanwhile, MAppPrint is robust in dynamic networking conditions, while achieving a throughput of 10.5 GB/s and a prediction latency of 0.68 seconds.
• Abstract（参考訳）: モバイルアプリは日常的にユビキタスになりつつある。 通信暗号化にも拘わらず、アプリフィンガープリント(AF)攻撃は、暗号化されたネットワークトラフィックのパターンを分析して、敵が使用中のアプリを推測することを可能にする。 しかし、既存のAF攻撃は、その実用性を阻害する3つの限界に悩まされている。 i) アプリケーション固有のトラフィック依存をキャプチャできないこと、動的ネットワーク条件下ではトラフィック指紋が脆弱であること。 (二)レイテンシやスループットの考慮を怠り、非効率なリアルタイムユーザ追跡を実現すること。 (iii)マルチアプリケーション並行処理によって発生する混在トラフィックを処理する能力の欠如。 本稿では,堅牢かつリアルタイムなアプリフィンガープリントフレームワークであるMAppPrintを提案する。 MAppPrintは、ビヘイビアレベルのトラフィック指紋、すなわち、トラヒックビヘイビア相関グラフ(TBCG)を導入している。 リアルタイムフィンガープリントを可能にするため、MAppPrintでは、冗長情報を選択的に集約することで、各TBCGをコンパクトなグラフに変換する指紋圧縮アルゴリズムを組み込んでいる。 さらに、MAppPrintは教師なしの分解戦略を使用して、マルチアプリ並行処理によって生成された混在トラフィックをアンタングルし、シングルアプリトラフィックとマルチアプリトラフィックの統一的な識別を可能にする。 大規模な実験の結果、MAppPrintはAF精度が4.9～13.9%向上し、最先端の手法よりもタイムラインが3～6倍改善した。 一方、MAppPrintは動的ネットワーク条件で堅牢であり、スループットは10.5GB/s、予測レイテンシは0.68秒である。

関連論文リスト

• An Empirical Comparison of Security and Privacy Characteristics of Android Messaging Apps [2.4890815871172736]
  モバイルメッセージングアプリは基本的なコミュニケーション基盤であり、センシティブなデータを含む情報を共有するために毎日何十億もの人々が使っている。 したがって、セキュリティとプライバシは、そのようなアプリケーションにとって重要な問題である。 本稿では,メッセージングアプリケーションの実装特性を比較する手法を提案する。
  論文  参考訳（メタデータ） (2026-03-31T12:27:28Z)
• PRISM: Performer RS-IMLE for Single-pass Multisensory Imitation Learning [51.24484551729328]
  PRISMは,IMLEのバッチ・グロバル・リジェクション・サンプリングに基づく単一パスポリシーである。 PRISMは、Performerアーキテクチャを用いた線形アテンション発生器と時間的マルチセンサエンコーダを結合する。 7-DoFアームD1を搭載したUnitree Go2を用いたロコマニピュレーションやUR5マニピュレータを用いたテーブルトップ操作など,PRISMの有効性を実証する。
  論文  参考訳（メタデータ） (2026-02-02T17:57:37Z)
• From Flows to Functions: Macroscopic Behavioral Fingerprinting of IoT Devices via Network Services [2.3037558470292185]
  ネットワーク内のIoT(Internet of Things)として知られるカメラ、プリンタ、音声アシスタント、健康モニタリングセンサーなどのデバイスを識別することは、重要な運用課題である。 既存のアプローチのほとんどは、短命の交通ユニット(パケットやフロー)のきめ細かい特徴に適用される機械学習(ML)技術に依存している。 本稿では,IoTデバイスが意図した機能を実行するために使用するネットワークサービスに着目した,行動フィンガープリントのマクロ的,軽量,説明可能な代替手段を提案する。
  論文  参考訳（メタデータ） (2025-12-18T09:37:50Z)
• Smartphone User Fingerprinting on Wireless Traffic [6.908883602224336]
  U-Printは,スマートフォンアプリ,アクション,ユーザを空気上MAC層フレームから受動的に認識できる,新たな攻撃システムである。 U-Printの全体的な精度は98.4%、F1スコアは0.983である。
  論文  参考訳（メタデータ） (2025-11-05T06:36:16Z)
• WiFinger: Fingerprinting Noisy IoT Event Traffic Using Packet-level Sequence Matching [18.566305912162463]
  WiFingerは、ノイズの多いトラフィックに対して、きめ細かいマルチIoTイベントのフィンガープリントアプローチである。 提案手法は,様々なIoTイベントに対して平均85%のリコールを達成し,ほとんどのIoTイベントに対してほぼゼロの偽陽性を維持できる。
  論文  参考訳（メタデータ） (2025-08-05T06:55:21Z)
• What If We Had Used a Different App? Reliable Counterfactual KPI Analysis in Wireless Systems [52.499838151272016]
  本稿では、RANによって異なるアプリが実装された場合のトラフィックの値を推定する問題に対処する。 本稿では,無線システムに対する共形予測に基づく対実解析手法を提案する。
  論文  参考訳（メタデータ） (2024-09-30T18:47:26Z)
• Eavesdropping Mobile Apps and Actions through Wireless Traffic in the Open World [4.055413037442821]
  既存のトラフィック分析攻撃は主にTCP/IP層をターゲットにしているか、あるいはクローズドワールドの仮定に限定されている。 オープンワールド環境におけるWiFi MAC層トラフィックに基づいて,モバイルアプリとアプリ内アクションを推論する新しいシステムMACPrintを提案する。 実験の結果,MAC-Printはクローズドワールド設定におけるアプリや動作の認識において96%以上の精度を達成でき,オープンワールド設定では86%以上の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-08-14T03:03:05Z)
• Mobile Behavioral Biometrics for Passive Authentication [65.94403066225384]
  本研究は, 単モーダルおよび多モーダルな行動的生体特性の比較分析を行った。 HuMIdbは、最大かつ最も包括的なモバイルユーザインタラクションデータベースである。 我々の実験では、最も識別可能な背景センサーは磁力計であり、タッチタスクではキーストロークで最良の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-14T17:05:59Z)

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。