【论文推荐】APCC 2025开源代码汇总
- 2026-02-02 21:23:21
Asia-Pacific Conference on Communications (APCC)是一个通信方向的国际会议。最近APCC 2025的论文上线了IEEE Xplore，从中整理了提供开源代码的论文，包括3篇论文，希望对相关领域的小伙伴有所帮助。获取这些论文的全文可以在公众号回复20260116，仅供大家交流学习。欢迎转发和关注！
号外：我们有开源代码交流群啦，欢迎感兴趣的老师和同学在公众号回复开源代码交流群。
号外：我们有论文投稿交流群啦，欢迎感兴趣的老师和同学在公众号回复论文投稿交流群。
[1] PUFAnalytics: Python Library for Comprehensive Evaluation and Analysis of PUFs
作者：Koustav Kumar Mondal; Ashi Gupta; Debasis Das
摘要：物理不可克隆函数(PUF)通过为电子设备提供唯一且不可克隆的标识符，在硬件安全中发挥着至关重要的作用。然而，缺乏标准化的评估框架阻碍了对各种PUF设计进行客观评估和比较。本文提出了PUFAnalytics，一个基于Python的库，为PUF提供了一个全面且标准化的评估框架。PUFAnalytics采用三级架构，涵盖响应级、位级和系统级指标。我们建立了各种PUF性能指标之间的关系，并将它们与鲁棒性、不可预测性、错误检测和抗攻击能力联系起来。实验结果表明，PUFAnalytics能够有效地评估最先进的PUF实现，包括仲裁器PUF、SRAMPUF、环形振荡器PUF和异或仲裁器PUF。值得注意的是，SRAMPUF展现出卓越的可靠性，在-40°C至85°C的温度范围内保持了99.5%以上的稳定性，并实现了最低的误码率，在高环境压力下仍低于1%。所有PUF设计均表现出高度唯一性，128位响应的PUF间汉明距离均集中在64位左右。PUFAnalytics通过提供标准化的评估框架，解决了PUF生态系统中评估工具分散的问题，促进了公平的比较，并有助于开发稳健的硬件安全解决方案。
链接：
https://ieeexplore.ieee.org/document/11279762
代码：
https://github.com/TakMashhido/PUFAnalytics
[2] Low latency data forwarding at in-Network Congestion Control nodes
作者：Yuki Tabuchi; Go Hasegawa
摘要：我们正在研究网络内拥塞控制(NCC)，这是一种适用于日益多样化和复杂的互联网的新型拥塞控制架构。在NCC中，在端到端(E2E)网络路径上引入一个或多个拥塞控制节点(NCC节点)，将其划分为多个子路径，并在每个子路径上维护一个拥塞控制反馈回路。可以根据每个子路径的网络特性应用专门的拥塞控制算法。NCC的一个潜在问题是NCC节点上的数据过度累积，这是由于子路径之间的数据传输速率不匹配造成的。为了解决这个问题，我们提出了一种NCC节点缓冲架构。具体来说，我们通过设置NCC节点数据缓冲区的上限，并调整从前一个子路径的接收缓冲区传输到数据缓冲区的数据量，来控制NCC节点前一个子路径的吞吐量。这种机制有助于保持NCC节点上累积的数据量较小，同时又不牺牲NCC节点的E2E吞吐量。我们通过基于实现的实验评估了所提出方法的性能，并确认在数据传输期间，NCC节点累积的数据量可以保持在1[Kbytes]。
链接：
https://ieeexplore.ieee.org/document/11279738
代码：
https://github.com/TohokuUniv-HasegawaLab/ncc-buffering.git
[3] Fine-tuning Llama3 for Integrated Analysis of Network Packet and System Log Data
作者：Hyun-Min Choi; Youngseok Lee
摘要：随着网络威胁日益复杂，对来自不同安全数据源的智能统一分析的需求变得愈发迫切。为了满足这一需求，我们提出了Llama-PcapLog，这是一个经过优化的层级模型(LLM)框架，它能够联合解析网络数据包(pcap)和系统日志(syslog)，从而实现威胁检测和场景分析的自动化。与以往将pcap和syslog分析模式割裂开来的方法不同，Llama-PcapLog能够捕捉它们之间的时空依赖关系，从而检测复杂的攻击模式。为了弥合结构上的差距并保持跨层语义，我们通过考虑pcap和syslog数据对开源LLM进行了优化。为了优化开源LLM，我们将原始pcap和syslog数据预处理成符合指令格式。此外，我们还采用了一种自指令策略，用于生成涵盖问答和代码生成等多个领域的多样化任务。由于许多机构或公司需要部署本地或私有的LLM(生命周期管理)来保护客户的隐私和数据，我们对训练数据集上的MetaLlama-3-8B模型进行了微调，并开发了一个轻量级的Web界面用于交互式分析。结果表明，Llama-PcapLog相比基础的Llama-3-8B模型取得了显著改进，整体提取F1分数从0.27提升至0.75。实验还表明，在代码生成基准测试中，Llama-PcapLog获得了完美的Pass@k分数1.00(而Llama-3-8B模型为0.45)。这些结果凸显了Llama-PcapLog在实际网络安全工作流程中的有效性和潜在部署价值。
链接：
https://ieeexplore.ieee.org/document/11279921
代码：
https://github.com/choihyuunmin/Llama-PcapLog
