論文の概要: Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic

• arxiv url: http://arxiv.org/abs/2001.03665v2
• Date: Fri, 10 Dec 2021 06:00:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 23:39:07.587047
• Title: Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
• Title（参考訳）: リジェクションによるニューラルネットワークによるトラフィックの分類:VPNトラフィックの分類における新しいアプローチ
• Authors: Ali Parchekani, Salar Nouri, Vahid Shah-Mansouri, and Seyed Pooya Shariatpanahi
• Abstract要約: 本稿では,VPNトラフィックを含むトラフィッククラスを識別する新しいエンドツーエンドトラフィック分類手法を提案する。 我々は、よく知られた2つのニューラルネットワークを使用して、クラススコアとクラスの中心からの距離という2つの指標に焦点を当てたカスケードニューラルネットワークを作成します。
• 参考スコア（独自算出の注目度）: 8.950918531231157
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a novel end-to-end traffic classification method to distinguish between traffic classes including VPN traffic in three layers of the Open Systems Interconnection (OSI) model. Classification of VPN traffic is not trivial using traditional classification approaches due to its encrypted nature. We utilize two well-known neural networks, namely multi-layer perceptron and recurrent neural network to create our cascade neural network focused on two metrics: class scores and distance from the center of the classes. Such approach combines extraction, selection, and classification functionality into a single end-to-end system to systematically learn the non-linear relationship between input and predicted performance. Therefore, we could distinguish VPN traffics from non-VPN traffics by rejecting the unrelated features of the VPN class. Moreover, we obtain the application type of non-VPN traffics at the same time. The approach is evaluated using the general traffic dataset ISCX VPN-nonVPN, and an acquired dataset. The results demonstrate the efficacy of the framework approach for encrypting traffic classification while also achieving extreme accuracy, $95$ percent, which is higher than the accuracy of the state-of-the-art models, and strong generalization capabilities.
• Abstract（参考訳）: 本稿では,Open Systems Interconnection(OSI)モデルの3層におけるVPNトラフィックを含むトラフィッククラスを識別する,新しいエンドツーエンドトラフィック分類手法を提案する。 VPNトラフィックの分類は、暗号化された性質のため、従来の分類手法では簡単ではない。 我々は2つのよく知られたニューラルネットワーク、すなわち多層パーセプトロンとリカレントニューラルネットワークを用いて、クラススコアとクラスの中心からの距離という2つのメトリクスに焦点を当てたカスケードニューラルネットワークを構築した。 このようなアプローチは、抽出、選択、分類機能を単一のエンドツーエンドシステムに組み合わせて、入力と予測性能の間の非線形関係を体系的に学習する。 したがって、VPNクラスの非関連機能を拒絶することで、VPNトラフィックと非VPNトラフィックを区別することができる。 さらに,アプリケーションタイプの非VPNトラフィックを同時に取得する。 このアプローチは、一般トラフィックデータセットISCX VPN-nonVPNと、取得したデータセットを使用して評価される。 その結果, 交通分類を暗号化するフレームワークの有効性を示すとともに, 最先端モデルの精度よりも高い95%の精度で, 高い一般化能力が得られることがわかった。

関連論文リスト

• FG-SAT: Efficient Flow Graph for Encrypted Traffic Classification under Environment Shifts [19.76017462160707]
  暗号化されたトラフィック分類は、ネットワークのセキュリティと管理において重要な役割を果たす。 既存の手法では、トランスポート層機構とアプリケーションの間の重要なリンクを認識できない。 FG-SATは,環境変動を考慮した最初のエンドツーエンドのトラフィック解析手法である。
  論文  参考訳（メタデータ） (2024-08-26T09:11:36Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• Extensible Machine Learning for Encrypted Network Traffic Application Labeling via Uncertainty Quantification [0.0]
  ラベル付き仮想プライベートネットワーク(VPN)暗号化ネットワークトラフィックを10のアプリケーションで生成し,5つのアプリケーションカテゴリに対応する,新たなパブリックなネットワークトラフィックデータセットを提案する。 また、控えめなデータ要件で迅速にトレーニングし、キャリブレーションされた予測確率と、新しいトラフィックサンプルにフラグをつけるための解釈可能なアウト・オブ・ディストリビューション(OOD)スコアを提供するように設計されたMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T16:54:37Z)
• Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks [0.16799377888527683]
  交通分類は、交通の整形、ネットワークスライシング、品質・オブ・サービス(QoS)管理に不可欠である。 3Dネットワークは、さまざまなレベルの異常検出を保証できる複数のルートを提供する。 本稿では,ネットワークトラフィックを半教師付き方式で分類するために,協調的特徴選択と特徴量削減学習手法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T20:18:07Z)
• A Hierarchical Terminal Recognition Approach based on Network Traffic Analysis [0.48298211429517085]
  本稿では,グリッドデータの詳細を適用した階層型端末認識手法を提案する。 我々はグリッドデータをセグメント化して2段階のモデル構造を構築した。 特徴の選定と再構築により、3つのアルゴリズムを組み合わせて端末の型を正確に識別する。
  論文  参考訳（メタデータ） (2022-04-16T05:33:01Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。