ZEST：基于注意力的零样本学习用于未知物联网设备分类
网络与互联网体系结构
2024-01-15 v2 密码学与安全
机器学习
摘要
近期研究提出了用于分类连接至网络的物联网设备的机器学习模型。然而，在模型训练期间无法获得所有设备（及其流量）仍是一个实际挑战。这本质上意味着，在运行阶段我们需要对训练阶段未见过的新设备进行分类。为应对该挑战，我们提出 ZEST——一种基于自注意力的 ZSL（零样本学习）框架，用于对可见与不可见设备分类。ZEST 包含 i) 基于自注意力的网络特征提取器，称为 SANE，用于提取物联网流量的潜空间表示；ii) 利用潜特征训练解码器以生成伪数据的生成模型；iii) 在生成的伪数据上训练以分类设备的监督模型。我们在真实物联网流量数据上开展了大量实验；实验表明 i) ZEST 在准确率上较基线显著提升；ii) SANE 能比常用于建模网络流量的 LSTM 更好地提取有意义表示。
引用
@article{arxiv.2310.08036,
title = {ZEST: Attention-based Zero-Shot Learning for Unseen IoT Device Classification},
author = {Binghui Wu and Philipp Gysel and Dinil Mon Divakaran and Mohan Gurusamy},
journal= {arXiv preprint arXiv:2310.08036},
year = {2024}
}
备注
9 pages, 6 figures, 3 tables