論文の概要: Robust Lightweight IoT Device Fingerprinting Under Network Traffic Anomalies
- arxiv url: http://arxiv.org/abs/2610.27351v1
- Date: Mon, 19 Oct 2026 22:29:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.534335
- Title: Robust Lightweight IoT Device Fingerprinting Under Network Traffic Anomalies
- Title（参考訳）: ネットワークトラフィック異常下でのロバストな軽量IoTデバイスフィンガープリント
- Abstract要約: パケットヘッダと局所性に敏感なハッシュ(LSH)に基づく軽量IoTデバイス識別手法を提案する。
実験結果から,提案手法は実交通歪み下で頑健性を維持しつつ,最大99%の精度を達成できることが示唆された。
提案手法の計算オーバーヘッドが低ければ、リソース制約のある環境でスケーラブルなIoTデバイス識別が可能になる。
- 参考スコア（独自算出の注目度）: 1.217503190366097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate IoT device identification is essential for network security, yet many existing approaches rely on payload inspection, feature engineering, or long observation windows that limit scalability and often assume stable network conditions despite the inherent variability of real-world IoT traffic. We propose a lightweight IoT device identification approach based on packet headers and locality-sensitive hashing (LSH), generating compact fingerprint representations at packet- and window-level granularities. To evaluate robustness, we consider packet-level traffic anomalies including drop, perturbation, reordering, duplication, and packet injection. Experimental results show that the proposed approach achieves up to 99% accuracy while maintaining robustness under realistic traffic distortions using short bounded observation windows. Anomalies affecting global traffic structure produce the largest performance degradation, whereas window-level representations improve robustness by reducing sensitivity to localized distortions. The low computational overhead of the proposed approach enables scalable IoT device identification in resource-constrained environments.
- Abstract（参考訳）: ネットワークセキュリティには正確なIoTデバイス識別が不可欠だが、既存の多くのアプローチでは、ペイロードインスペクション、機能エンジニアリング、スケーラビリティを制限し、現実のIoTトラフィックの固有のばらつきにもかかわらず、安定したネットワーク条件を前提とする長い監視ウィンドウに依存している。
パケットヘッダと局所性に敏感なハッシュ(LSH)に基づく軽量なIoTデバイス識別手法を提案する。
ロバスト性を評価するため,パケットレベルのトラフィック異常として,ドロップ,摂動,リオーダー,重複,パケット注入などを検討する。
実験結果から,提案手法の精度は99%まで向上し,短境界観測窓を用いた現実的な交通歪み下では頑健性を維持した。
グローバルトラフィック構造に影響を及ぼす異常は最大の性能劣化をもたらすが、ウィンドウレベルの表現は局所的な歪みに対する感度を低下させることでロバスト性を向上させる。
提案手法の計算オーバーヘッドが低ければ、リソース制約のある環境でスケーラブルなIoTデバイス識別が可能になる。
関連論文リスト
- Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。
既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。
本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-23T03:28:12Z) - 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) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - A Lightweight Federated Learning Approach for Privacy-Preserving Botnet Detection in IoT [0.4511923587827302]
フェデレート学習に基づく軽量かつプライバシー保護のボットネット検出フレームワークを提案する。
このアプローチにより、分散デバイスは生データを交換することなく、協力的にモデルをトレーニングできる。
ベンチマークIoTボットネットデータセットの実験は、このフレームワークが通信コストを大幅に削減しつつ高い検出精度を達成することを示した。
論文 参考訳（メタデータ） (2025-10-03T20:54:58Z) - FlowXpert: Context-Aware Flow Embedding for Enhanced Traffic Detection in IoT Network [7.30584204219718]
IoT(Internet of Things)環境では、多数のデバイス間の継続的なインタラクションによって複雑な動的ネットワークトラフィックが生成される。
機械学習(ML)ベースのトラフィック検出技術は、ネットワークセキュリティを確保する上で重要なコンポーネントである。
論文 参考訳（メタデータ） (2025-09-25T07:52:58Z) - Lightweight Intrusion Detection System Using a Hybrid CNN and ConvNeXt-Tiny Model for Internet of Things Networks [1.5803208833562954]
我々は,CNNとConvNeXt-Tinyのハイブリッドモデルを活用した,IoT環境用軽量侵入検知システム(IDS)を提案する。
提案手法は,ネットワーク攻撃の種類,特にボットネットと悪意のあるトラフィックを検出・分類するために設計されており,軽量なConvNeXt-Tinyアーキテクチャはリソース制約されたデバイスやネットワークへの効果的な展開を可能にする。
論文 参考訳（メタデータ） (2025-09-07T20:32:38Z) - FLARE: Feature-based Lightweight Aggregation for Robust Evaluation of IoT Intrusion Detection [0.0]
モノのインターネット(IoT)デバイスは攻撃面を拡張し、ネットワーク保護のために効率的な侵入検知システム(IDS)を必要とする。
本稿では、IoT侵入検出の堅牢な評価のための機能ベースの軽量アグリゲーションであるFLAREを提案する。
我々は、IoT IDSの攻撃を分類するために、4つの教師付き学習モデルと2つのディープラーニングモデルを使用します。
論文 参考訳（メタデータ） (2025-04-21T18:33:53Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Sparse Federated Training of Object Detection in the Internet of
Vehicles [13.864554148921826]
物体検出は、IoV(Internet of Vehicles)の鍵となる技術の一つである
現在のオブジェクト検出方法は、主に集中的な深層トレーニングに基づいており、エッジデバイスが取得したセンシティブなデータをサーバにアップロードする必要がある。
そこで本研究では,よく訓練されたローカルモデルを中央サーバで共有する,フェデレート学習ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-07T08:58:41Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳（メタデータ） (2020-03-16T16:54:36Z)
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。