論文の概要: NetGuise: Adversarial Traffic Generation for Early-Stage Classifier Evasion

• arxiv url: http://arxiv.org/abs/2610.27456v1
• Date: Tue, 20 Oct 2026 01:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.577379
• Title: NetGuise: Adversarial Traffic Generation for Early-Stage Classifier Evasion
• Title（参考訳）: NetGuise: 早期分類器普及のための逆トラフィック生成
• Abstract要約: 本稿では,ターゲット条件付きトラフィックモーフィングフレームワークであるNetGuiseを紹介する。 パケット方向、順序付け、パケット数を保持しながらパケットレベルのパディングと非負の遅延動作を生成する。 最大85.7%の目標回避を達成し、4回の適応的な検閲訓練の後43.5%を維持し、ゼロショットのクロス環境移行の下で48%を維持している。
• 参考スコア（独自算出の注目度）: 3.9295613363026174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early-stage encrypted traffic classifiers make decisions from only the first few packets of a connection, enabling low-latency classification but raising robustness concerns under realistic traffic morphing. Existing adversarial traffic generation methods often assume complete flows, feature-level perturbations, or iterative runtime feedback, which do not match the constraints of early-stage execution. We present NetGuise, a target-conditioned traffic morphing framework that generates packet-level padding and non-negative delay actions while preserving packet direction, ordering, and packet count and respecting MTU, bandwidth, and latency constraints. We evaluate NetGuise for censorship evasion under two observation interfaces, i) a history-only causal interface for online packet-by-packet execution, ii) and a full-window oracle interface that provides an upper-bound characterization of early-stage morphability. On VANT, NetGuise achieves 33.2% mean targeted evasion under the causal interface versus 82.0% under the oracle interface; on UTMobileNet, the corresponding results are 5.6% and 81.8%. NetGuise outperforms the strongest causal baseline, BAP, on both datasets and, on VANT, reduces bandwidth overhead from 19.80% to 3.02% and generation latency from 37.42 ms/flow to 1.16 ms/flow. Under the oracle interface, it achieves up to 85.7% targeted evasion, retains 43.5% after four rounds of adaptive censor retraining, and maintains 48% under zero-shot cross-environment transfer. Our results show that early-stage classifiers can remain morphable despite high clean accuracy and that robustness evaluation should account for targeted morphability, observation constraints, defender adaptation, and operational network conditions.
• Abstract（参考訳）: 初期暗号化されたトラフィック分類器は、コネクションの最初の数個のパケットのみから決定し、低レイテンシの分類を可能にするが、現実的なトラフィックモーフィングの下で堅牢性に関する懸念を提起する。 既存の逆トラフィック生成手法は、しばしば、初期実行の制約に合わない、完全なフロー、特徴レベルの摂動、反復的なランタイムフィードバックを前提とします。 我々は、パケット方向、順序、パケット数を保持しながらパケットレベルのパディングと非負の遅延動作を生成し、MTU、帯域幅、遅延制約を尊重するターゲット条件付きトラフィックモーフィングフレームワークであるNetGuiseを提案する。 我々は2つの観察インタフェース下での検閲回避のためのNetGuiseの評価を行った。 一 オンラインパケット・バイ・パケット実行のための履歴のみの因果インターフェース 二 早期形態性の上界特性を提供するフルウインドウオラクルインターフェース VANTでは、NetGuiseが33.2%、因果インターフェイスでは82.0%、UTMobileNetでは5.6%、81.8%となっている。 NetGuiseは、データセットとVANTの両方で最大の因果ベースラインであるBAPを上回り、帯域幅のオーバーヘッドを19.80%から3.02%に減らし、生成遅延を37.42ms/flowから1.16ms/flowに短縮する。 託宣インターフェースの下では、最大85.7%の目標回避を実現し、4回の適応的な検閲訓練の後43.5%を維持し、ゼロショットのクロス環境移行の下で48%を維持している。 以上の結果から, 初期分類器の精度は高いものの, 初期分類器は変形可能であり, 頑健性評価は, 標的形態性, 観察制約, ディフェンダー適応, 運用ネットワーク条件を考慮すべきであることが示唆された。

関連論文リスト

• Priority-Aware Routing for Quantum Networks:Integrating Coherence-Time Constraints into Scheduling [0.0]
  経路選択にデコヒーレンス制約を統合するコヒーレンス対応ルーティングプロトコルを提案する。 P2トラフィックは96.08%の忠実度を9倍の負荷増加と0.04ポイントの劣化で達成している。 Barabasi-Albertスケールフリートポロジーでは、このプロトコルは、97.8%高い集約スループットで、+4.12パーセントのポイントフィデリティの利点を提供する。
  論文  参考訳（メタデータ） (2026-09-29T18:36:17Z)
• From Routing Signals to Selective Review: Visual regrounding in MoE VLMs [48.07726955428853]
  視覚言語モデル(VLM)は偽の視覚的前提を受け入れ、対象の物体の色、数、位置、状態について疑問に答える。 本稿では,Mixture-of-Experts (MoE)VLMにおける内部ルーティング決定を活用するための最初のフレームワークを提案する。 提案手法は,MoE VLMによってすでに作成されており,低コストな検出と選択的な視覚的リグラウンドを支援することができる。
  論文  参考訳（メタデータ） (2026-09-29T17:49:07Z)
• Adaptive Traffic Camouflage: Causal and Resource-Aware Defense Against IoT Fingerprinting [29.70795581899607]
  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。
  論文  参考訳（メタデータ） (2026-09-22T07:20:38Z)
• State of Thought Enables Endogenous Reasoning [48.902117018115256]
  大規模言語モデル(LLM)の能力向上のための主要なアプローチとして、テスト時推論が登場した。 LLMにおける内在的推論を可能にする新しい推論パラダイムであるState of Thoughtを提案する。 SoTは平均ベースライン精度を一貫して改善し,生成トークンを62.6%,エンドツーエンドのレイテンシを44.6%削減した。
  論文  参考訳（メタデータ） (2026-09-13T05:55:03Z)
• Behavioral Information Leakage in Darknet Traffic: A Multi-Channel Analysis Across Anonymity Networks [1.8024397171920885]
  本稿では,フローレベルのトラフィックを制御,構造,リズミカルな記述群に分解する行動情報漏洩フレームワークを提案する。 その結果,行動漏洩は匿名ネットワークによって大きく異なることがわかった。
  論文  参考訳（メタデータ） (2026-08-04T18:54:46Z)
• CoEvoP&R: Co-Evolving Placement Objectives with Routing Feedback via Large Language Models [8.816894613626845]
  CoEvoP&Rは、大規模言語モデル(LLM)ベースのフレームワークで制限に対処し、分析的な配置目標を自動的に進化させる。 ルート後導線長と混雑を16.9%、36.7%減少させ、最悪の負のスラックでは0.70 ns、ネイティブのDREAMPlaceでは912 ns減少させる。
  論文  参考訳（メタデータ） (2026-07-19T20:16:07Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• 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)
• Action Segmentation with Joint Self-Supervised Temporal Domain Adaptation [54.81021693364532]
  我々は,アクションセグメンテーションのバリエーションの問題に対処するために,ラベルのないビデオを利用する。 本稿では,2つの自己監督型補助タスクを含む自己監督型時間領域適応(SSTDA)を提案する。 3つの挑戦的なデータセットにおいて、SSTDAは最先端の手法よりも大きなマージンで優れている。
  論文  参考訳（メタデータ） (2020-03-05T18:52:33Z)
• Filter Sketch for Network Pruning [184.41079868885265]
  事前学習したネットワーク重み(フィルタ)の情報保存による新しいネットワークプルーニング手法を提案する。 われわれのアプローチは、FilterSketchと呼ばれ、事前訓練された重みの2次情報を符号化する。 CIFAR-10の実験では、FilterSketchはFLOPの63.3%を削減し、ネットワークパラメータの59.9%を無視できる精度で削減している。
  論文  参考訳（メタデータ） (2020-01-23T13:57:08Z)

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。