論文の概要: 6VecLM: Language Modeling in Vector Space for IPv6 Target Generation
- arxiv url: http://arxiv.org/abs/2008.02213v1
- Date: Wed, 5 Aug 2020 16:26:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 17:45:45.783922
- Title: 6VecLM: Language Modeling in Vector Space for IPv6 Target Generation
- Title（参考訳）: 6VecLM:IPv6ターゲット生成のためのベクトル空間における言語モデリング
- Authors: Tianyu Cui, Gang Xiong, Gaopeng Gou, Junzheng Shi and Wei Xia
- Abstract要約: このようなターゲット生成アルゴリズムを実現するために,本手法を6VecLMに導入する。
アーキテクチャは、アドレスをベクトル空間にマッピングして意味的関係を解釈することができる。
実験により,本手法はアドレス空間のセマンティックな分類が可能であることが示された。
- 参考スコア（独自算出の注目度）: 26.73994727119052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast IPv6 scanning is challenging in the field of network measurement as it
requires exploring the whole IPv6 address space but limited by current
computational power. Researchers propose to obtain possible active target
candidate sets to probe by algorithmically analyzing the active seed sets.
However, IPv6 addresses lack semantic information and contain numerous
addressing schemes, leading to the difficulty of designing effective
algorithms. In this paper, we introduce our approach 6VecLM to explore
achieving such target generation algorithms. The architecture can map addresses
into a vector space to interpret semantic relationships and uses a Transformer
network to build IPv6 language models for predicting address sequence.
Experiments indicate that our approach can perform semantic classification on
address space. By adding a new generation approach, our model possesses a
controllable word innovation capability compared to conventional language
models. The work outperformed the state-of-the-art target generation algorithms
on two active address datasets by reaching more quality candidate sets.
- Abstract（参考訳）: 高速IPv6スキャンは、現在の計算能力によって制限されているIPv6アドレス空間全体を探索する必要があるため、ネットワーク計測の分野では困難である。
研究者は、アクティブな種子集合をアルゴリズムで解析することにより、調査可能なアクティブなターゲット候補集合を得るように提案する。
しかし、IPv6アドレスには意味情報がなく、多くのアドレッシングスキームが含まれており、効率的なアルゴリズムを設計するのは難しい。
本稿では,このようなターゲット生成アルゴリズムを実現するための6VecLMを提案する。
アーキテクチャはアドレスをベクトル空間にマッピングして意味関係を解釈し、トランスフォーマーネットワークを使用してipv6言語モデルを構築し、アドレスシーケンスを予測する。
実験により,本手法はアドレス空間のセマンティックな分類が可能であることが示された。
新しい世代アプローチを追加することで、従来の言語モデルと比較して、制御可能な単語革新能力を持つ。
この研究は、2つのアクティブアドレスデータセットで最先端のターゲット生成アルゴリズムを上回り、より高品質な候補セットに到達した。
関連論文リスト
- Generative AI Enabled Matching for 6G Multiple Access [51.00960374545361]
我々は6G多重アクセスをサポートするGenAI対応マッチング生成フレームワークを提案する。
我々のフレームワークは、与えられた条件と事前定義された報酬に基づいて、より効果的なマッチング戦略を生成することができることを示す。
論文 参考訳（メタデータ） (2024-10-29T13:01:26Z) - From Decoding to Meta-Generation: Inference-time Algorithms for Large Language Models [63.188607839223046]
この調査は、推論中に計算をスケールするメリットに焦点を当てている。
我々はトークンレベルの生成アルゴリズム、メタジェネレーションアルゴリズム、効率的な生成という3つの領域を統一的な数学的定式化の下で探索する。
論文 参考訳（メタデータ） (2024-06-24T17:45:59Z) - Designing Network Algorithms via Large Language Models [11.055072300500104]
我々は,大規模言語モデル(LLM)の生成能力を活用することで,ネットワークアルゴリズムを自律的に設計する最初のフレームワークであるNADを紹介する。
我々は,NADがブロードバンド,衛星,4G,5Gを含む多様なネットワーク環境において,元のアルゴリズムを一貫して上回る新しいABRアルゴリズムを生成することを実証した。
論文 参考訳（メタデータ） (2024-04-02T03:43:55Z) - AANet: Aggregation and Alignment Network with Semi-hard Positive Sample
Mining for Hierarchical Place Recognition [48.043749855085025]
視覚的位置認識(VPR)はロボット工学におけるホットスポットの一つで、視覚情報を用いてロボットの位置を特定する。
本稿では,アグリゲーションモジュールを介して候補を検索するためのグローバルな特徴を抽出できる統一ネットワークを提案する。
また、より堅牢なVPRネットワークをトレーニングするために、適切なハード正のイメージを選択するためのセミハード正のサンプルマイニング(ShPSM)戦略を提案する。
論文 参考訳（メタデータ） (2023-10-08T14:46:11Z) - OFA$^2$: A Multi-Objective Perspective for the Once-for-All Neural
Architecture Search [79.36688444492405]
once-for-All(OFA)は、異なるリソース制約を持つデバイスのための効率的なアーキテクチャを探索する問題に対処するために設計された、ニューラルネットワーク検索(NAS)フレームワークである。
我々は,探索段階を多目的最適化問題として明示的に考えることにより,効率の追求を一歩進めることを目指している。
論文 参考訳（メタデータ） (2023-03-23T21:30:29Z) - 6GAN: IPv6 Multi-Pattern Target Generation via Generative Adversarial
Nets with Reinforcement Learning [10.054944443127376]
6GANは、GAN(Generative Adrial Net)とマルチパターンターゲット生成のための強化学習によって構築された、新しいアーキテクチャである。
6GANのジェネレータはパターンごとに強い模倣能力を保ち、6GANの識別器は0.966の精度で優れたパターン識別能力を得る。
論文 参考訳（メタデータ） (2022-04-21T01:25:20Z) - 6GCVAE: Gated Convolutional Variational Autoencoder for IPv6 Target
Generation [7.462399334010083]
本稿では,深層学習を用いてIPv6ターゲット生成アルゴリズムを設計する。
このモデルは、ゲート畳み込み層を積み重ねてアドレス構造を効果的に学習し、可変オートエンコーダ(VAE)を構築する。
実験の結果,従来のVAEモデルと最先端ターゲット生成アルゴリズムを2つのアクティブアドレスデータセットで比較した。
論文 参考訳（メタデータ） (2022-04-20T12:36:19Z) - Generalized Learning Vector Quantization for Classification in
Randomized Neural Networks and Hyperdimensional Computing [4.4886210896619945]
本稿では,トレーニング中の計算コストの高い行列操作を回避する改良型RVFLネットワークを提案する。
提案手法は,UCI Machine Learning Repositoryから取得したデータセットの集合に対して,最先端の精度を達成した。
論文 参考訳（メタデータ） (2021-06-17T21:17:17Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G:
Integrating Domain Knowledge into Deep Learning [115.75967665222635]
超信頼性・低レイテンシ通信(URLLC)は、様々な新しいミッションクリティカルなアプリケーションの開発の中心となる。
ディープラーニングアルゴリズムは、将来の6GネットワークでURLLCを実現する技術を開発するための有望な方法と考えられている。
このチュートリアルでは、URLLCのさまざまなディープラーニングアルゴリズムにドメイン知識を組み込む方法について説明する。
論文 参考訳（メタデータ） (2020-09-13T14:53:01Z) - Gated Path Selection Network for Semantic Segmentation [72.44994579325822]
我々は,適応的な受容場を学習することを目的とした,GPSNetという新しいネットワークを開発した。
GPSNetにおいて、我々はまず2次元のマルチスケールネットワーク、SuperNetを設計する。
望ましいセマンティックコンテキストを動的に選択するために、ゲート予測モジュールがさらに導入される。
論文 参考訳（メタデータ） (2020-01-19T12:32:17Z)
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。