Cuando los LLM hablan ZigBee: explorando modelos de baja latencia y razonamiento para la generación de tráfico de red

Área de la Ciencia:

• Ciencias de la computación Ciencias de la computación
• Ingeniería de redes Ingeniería de redes.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La generación realista de tráfico de red es crucial para las pruebas y la seguridad en los sistemas de Internet de las Cosas (IoT) basados en ZigBee.
• Los métodos tradicionales para la generación de tráfico a menudo carecen de significado semántico y cumplimiento de protocolo.
• Los Grandes Modelos de Lenguaje (LLM) ofrecen un nuevo paradigma para la generación de tráfico sintético impulsado por datos.

Objetivo del estudio:

• Proponer y evaluar un nuevo marco para la generación de tráfico de red ZigBee realista utilizando LLMs.
• Evaluar la efectividad de los LLM, específicamente GPT-4.1 y GPT-5, en la creación de tráfico sintético semánticamente significativo y compatible con el protocolo.
• Para comparar la generación basada en LLM con las líneas de base de aprendizaje profundo clásico y analizar los costos computacionales.

Principales métodos:

• Desarrolló un marco basado en datos que utiliza el aprendizaje de pocos disparos basado en muestras y la ingeniería rápida con LLMs.
• Incorporó un mecanismo de retroalimentación humano en el bucle para el refinamiento iterativo del tráfico generado.
• Realizó experimentos para la generación de tráfico unidireccional y bidireccional, evaluando el realismo a través de la similitud estadística, el cumplimiento del protocolo, la corrección semántica, la consistencia temporal y las métricas de diversidad.
• Comparó el rendimiento de LLM con las redes neuronales recurrentes (RNN) y las redes adversarias generativas (GAN).

Principales resultados:

• Tanto GPT-4.1 como GPT-5 demostraron la capacidad de aprender las dependencias de tráfico de ZigBee, superando a las líneas de base de RNN y GAN en corrección semántica y generación de larga duración.
• GPT-4.1 generó tráfico muy parecido al tráfico ZigBee real con recursos computacionales significativamente más bajos.
• Los LLM, particularmente los modelos de baja latencia y no razonamiento, son muy adecuados para generar tráfico de red estructurado y restringido por protocolos.

Conclusiones:

• Los enfoques basados en LLM muestran un potencial significativo para la generación realista de tráfico de IoT, mejorando la investigación y las evaluaciones de seguridad.
• GPT-4.1 ofrece un equilibrio convincente entre la calidad de generación y la eficiencia computacional para la síntesis de tráfico ZigBee.
• El marco propuesto avanza el estado de la técnica en la creación de tráfico de red sintética de alta fidelidad para entornos de IoT.