面向跨网络设备识别的通用物联网流量表示
机器学习
2026-01-28 v1
摘要
机器学习模型在对网络流量进行分类和识别Internet-of-Things (IoT)设备方面已显示出强大的性能，使运营商能够大规模发现和管理IoT资产。然而，许多现有方法依赖于端到端的监督管道或特定任务的微调，导致流量表示严格绑定于标记数据集和部署环境，从而限制了可泛化性。本文研究了学习面向IoT设备识别的通用流量表示的问题。我们设计紧凑的编码器架构，从未标记的IoT流量中学习每个流的嵌入向量，并通过冻结编码器协议配合简单监督分类器进行评估。我们的具体贡献有三点：（1）我们开发了从未标记的IoT网络流中学习紧凑流量表示的无监督编码器-解码器模型，并通过基于重构的分析评估其质量。（2）我们表明，这些学习到的表示可有效用于使用在冻结嵌入上训练的简单轻量级分类器进行IoT设备类型分类。（3）我们对所得表示进行系统性基准测试，比较了最新预训练流量编码器，表明更大的模型并不一定产生更健壮的IoT流量表示。我们使用超过1800万条实时IoT流量数据（跨越多年和多个部署环境），从未标记数据中学习流量表示，并在不相交的标记子集上评估设备类型分类，实现了超过0.9的宏平均F1分数（macro F1-score），并在跨环境部署下表现出良好的鲁棒性。
引用
@article{arxiv.2601.19315,
title = {Generalizable IoT Traffic Representations for Cross-Network Device Identification},
author = {Arunan Sivanathan and David Warren and Deepak Mishra and Sushmita Ruj and Natasha Fernandes and Quan Z. Sheng and Minh Tran and Ben Luo and Daniel Coscia and Gustavo Batista and Hassan Habibi Gharakaheili},
journal= {arXiv preprint arXiv:2601.19315},
year = {2026}
}
备注
15 pages, 15 figures