Wykorzystanie AI do generowania realistycznego ruchu sieciowego: opisowe podejście do danych wejściowych

Prelegent: 

Mgr Inż. Nur Keleşoğlu

Data: 

18/09/2025 - 12:00

Podczas seminarium zostaną zaprezentowane wyniki projektu badawczego dotyczącego generowania realistycznego ruchu sieciowego Zigbee przy użyciu dużego modelu językowego (LLM), a konkretnie GPT-4.1 firmy OpenAI.

W przeciwieństwie do tradycyjnych metod opartych na regułach lub podejściach statystycznych, proponowana metoda polega na ekstrakcji reprezentatywnych próbek pakietów z rzeczywistego ruchu Zigbee.

Uwzględnia ona uczenie na podstawie próbek, sprzężenie zwrotne z udziałem człowieka oraz prompt engineering. Prezentacja obejmie dwa kluczowe eksperymenty:

Pierwszy skoncentrowany na generowaniu jednokierunkowej komunikacji urządzenie–hub, a drugi na ruchu dwukierunkowym, aby uchwycić realistyczne wzorce interakcji. Skuteczność podejścia oceniono za pomocą metryki dywergencji Jensena-Shannona, wykazując, że GPT-4.1 jest w stanie generować semantycznie sensowny i zgodny z protokołem ruch syntetyczny. Praca ta podkreśla potencjał generowania ruchu opartego na LLM w celu ulepszania symulacji IoT, testowania oraz oceny bezpieczeństwa.

Autor: Łukasz Zimny | Data utworzenia: 03.09.2025 | Ostatnia modyfikacja: 04.09.2025

Historia zmian

Data aktualizacji: 04/09/2025 - 10:58; autor zmian: Marzena Halama (mhalama@iitis.pl)

Podczas seminarium zostaną zaprezentowane wyniki projektu badawczego dotyczącego generowania realistycznego ruchu sieciowego Zigbee przy użyciu dużego modelu językowego (LLM), a konkretnie GPT-4.1 firmy OpenAI.

W przeciwieństwie do tradycyjnych metod opartych na regułach lub podejściach statystycznych, proponowana metoda polega na ekstrakcji reprezentatywnych próbek pakietów z rzeczywistego ruchu Zigbee.

Uwzględnia ona uczenie na podstawie próbek, sprzężenie zwrotne z udziałem człowieka oraz prompt engineering. Prezentacja obejmie dwa kluczowe eksperymenty:

Pierwszy skoncentrowany na generowaniu jednokierunkowej komunikacji urządzenie–hub, a drugi na ruchu dwukierunkowym, aby uchwycić realistyczne wzorce interakcji. Skuteczność podejścia oceniono za pomocą metryki dywergencji Jensena-Shannona, wykazując, że GPT-4.1 jest w stanie generować semantycznie sensowny i zgodny z protokołem ruch syntetyczny. Praca ta podkreśla potencjał generowania ruchu opartego na LLM w celu ulepszania symulacji IoT, testowania oraz oceny bezpieczeństwa.
Data aktualizacji: 04/09/2025 - 09:39; autor zmian: Marzena Halama (mhalama@iitis.pl)

During the seminar, the results of a research project focused on generating realistic Zigbee network traffic using a Large Language Model (LLM), specifically OpenAI's GPT-4.1, will be presented. Unlike traditional rule-based or statistical approaches, the proposed method extracts representative packet samples from real Zigbee traffic.

It incorporates sample-based learning, human-in-the-loop feedback, and prompt engineering. The presentation will include two key experiments:

One focused on generating unidirectional device-to-hub communication, and another on bidirectional traffic to capture realistic interaction patterns. The effectiveness of the approach is evaluated using the Jensen-Shannon Divergence metric, demonstrating that GPT-4.1 can produce semantically meaningful and protocol-compliant synthetic traffic. This work highlights the potential of LLM-based traffic generation for enhancing IoT simulation, testing, and security evaluation.
Data aktualizacji: 03/09/2025 - 13:07; autor zmian: Łukasz Zimny (lzimny@iitis.pl)
Data aktualizacji: 03/09/2025 - 13:07; autor zmian: Łukasz Zimny (lzimny@iitis.pl)
Data aktualizacji: 03/09/2025 - 13:06; autor zmian: Łukasz Zimny (lzimny@iitis.pl)