本研究は、インターネットオブシングス（IoT）ネットワークトラフィックにおける異常検出を、概念ドリフトの影響を受ける環境で二値分類の視点から探求しています。従来のバッチ学習モデルは、高い維持管理コストや迅速な異常変化への適応の難しさといった課題に直面しているのに対し、ストリーミング学習はオンラインかつ逐次的な更新を可能にし、より頑健な検出を実現します。我々は、さまざまな既存データセットを組み合わせ、異なるIoTトラフィックのデータストリームをシミュレートしました。その結果、バッチモデルは概念ドリフトに対処できない一方で、現在のデータセットはトラフィックの多様性が低いためモデルの限界を明らかにするのに限界があることも判明しました。また、バッチ異常検出で知られるツリーベースの機械学習アルゴリズムの競争力と、非ツリーベースのアルゴリズムを比較し、アダプティブランダムフォレストが計算コストを三分の一に抑えつつ高いF1スコアを達成したことを示しました。この結果はオンラインアプリケーションにおいて非常に有望です。