論文の概要: Traffic Refinery: Cost-Aware Data Representation for Machine Learning on
Network Traffic
- arxiv url: http://arxiv.org/abs/2010.14605v3
- Date: Mon, 7 Jun 2021 10:06:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 13:08:13.748217
- Title: Traffic Refinery: Cost-Aware Data Representation for Machine Learning on
Network Traffic
- Title(参考訳): traffic refinery: ネットワークトラフィックの機械学習のためのコスト対応データ表現
- Authors: Francesco Bronzino, Paul Schmitt, Sara Ayoubi, Hyojoon Kim, Renata
Teixeira, Nick Feamster
- Abstract要約: 本稿では,機械学習性能とネットワークトラフィックの異なる表現のシステムレベルのコストを共同評価できる新しいフレームワークとシステムを開発する。
ネットワークトラフィックを10Gbpsで監視し,リアルタイムにトラフィックを変換して,機械学習のためのさまざまな特徴表現を生成する,概念実証実装であるTraffic Refineryを,ネットワークトラフィックのさまざまな表現の探索のメリットとして紹介する。
- 参考スコア(独自算出の注目度): 12.54979929965944
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network management often relies on machine learning to make predictions about
performance and security from network traffic. Often, the representation of the
traffic is as important as the choice of the model. The features that the model
relies on, and the representation of those features, ultimately determine model
accuracy, as well as where and whether the model can be deployed in practice.
Thus, the design and evaluation of these models ultimately requires
understanding not only model accuracy but also the systems costs associated
with deploying the model in an operational network. Towards this goal, this
paper develops a new framework and system that enables a joint evaluation of
both the conventional notions of machine learning performance (e.g., model
accuracy) and the systems-level costs of different representations of network
traffic. We highlight these two dimensions for two practical network management
tasks, video streaming quality inference and malware detection, to demonstrate
the importance of exploring different representations to find the appropriate
operating point. We demonstrate the benefit of exploring a range of
representations of network traffic and present Traffic Refinery, a
proof-of-concept implementation that both monitors network traffic at 10 Gbps
and transforms traffic in real time to produce a variety of feature
representations for machine learning. Traffic Refinery both highlights this
design space and makes it possible to explore different representations for
learning, balancing systems costs related to feature extraction and model
training against model accuracy.
- Abstract(参考訳): ネットワーク管理はしばしば、ネットワークトラフィックのパフォーマンスとセキュリティを予測するために機械学習に依存する。
多くの場合、トラフィックの表現はモデルの選択と同じくらい重要である。
モデルが依存する特徴とそれらの特徴の表現は、最終的にモデルの精度を判断し、実際にモデルをデプロイできる場所と可否を判断します。
したがって、これらのモデルの設計と評価は、最終的にモデル精度だけでなく、モデルを運用ネットワークにデプロイする際のシステムコストも理解する必要がある。
本研究の目的は,従来の機械学習性能(例えば,モデル精度)とネットワークトラフィックの異なる表現のシステムレベルのコストの両概念を共同で評価することのできる,新しいフレームワークとシステムを開発することである。
我々は,映像ストリーミング品質推定とマルウェア検出という2つの実用的ネットワーク管理タスクにおいて,これらの2次元に注目し,適切な操作点を見つけるために異なる表現を探索することの重要性を実証する。
ネットワークトラフィックを10Gbpsで監視し,リアルタイムにトラフィックを変換して,機械学習のためのさまざまな特徴表現を生成する,概念実証実装であるTraffic Refineryを,ネットワークトラフィックのさまざまな表現の探索のメリットとして紹介する。
traffic refineryはこのデザインスペースを強調し、学習のためのさまざまな表現を探索し、特徴抽出やモデルの正確性に対するモデルトレーニングに関連するシステムコストのバランスをとることができる。
関連論文リスト
- Gaussian Mixture Models for Affordance Learning using Bayesian Networks [50.18477618198277]
Affordancesはアクション、オブジェクト、エフェクト間の関係の基本的な記述である。
本稿では,世界を探究し,その感覚経験から自律的にこれらの余裕を学習するエンボディエージェントの問題にアプローチする。
論文 参考訳(メタデータ) (2024-02-08T22:05:45Z) - Dr$^2$Net: Dynamic Reversible Dual-Residual Networks for
Memory-Efficient Finetuning [84.50003044711602]
本稿では,メモリ消費を大幅に削減した事前学習モデルを微調整するために,動的可逆2次元ネットワーク(Dr$2$Net)を提案する。
Dr$2$Netは2種類の残差接続を含み、1つは事前訓練されたモデルの残差構造を維持し、もう1つはネットワークを可逆的にしている。
Dr$2$Netは従来の微調整に匹敵する性能を持つが、メモリ使用量は大幅に少ない。
論文 参考訳(メタデータ) (2024-01-08T18:59:31Z) - Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。
本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
論文 参考訳(メタデータ) (2023-05-01T00:58:48Z) - A Generative Approach for Production-Aware Industrial Network Traffic
Modeling [70.46446906513677]
ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。
我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。
可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
論文 参考訳(メタデータ) (2022-11-11T09:46:58Z) - CONVIQT: Contrastive Video Quality Estimator [63.749184706461826]
知覚ビデオ品質評価(VQA)は、多くのストリーミングおよびビデオ共有プラットフォームにおいて不可欠な要素である。
本稿では,視覚的に関連のある映像品質表現を自己指導的に学習する問題について考察する。
本研究は, 自己教師型学習を用いて, 知覚力による説得力のある表現が得られることを示す。
論文 参考訳(メタデータ) (2022-06-29T15:22:01Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳(メタデータ) (2022-02-21T19:45:15Z) - A Visual Analytics Framework for Explaining and Diagnosing Transfer
Learning Processes [42.57604833160855]
本稿では,深層ニューラルネットワークの学習における伝達学習プロセスの多段階探索のための視覚分析フレームワークを提案する。
本フレームワークは,ニューラルネットワークの深層学習において,既存のモデルから学習した知識がどのように新たな学習タスクに変換されるかを説明するために,マルチアスペクト設計を確立する。
論文 参考訳(メタデータ) (2020-09-15T05:59:00Z) - Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。
本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。
提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
論文 参考訳(メタデータ) (2020-07-14T16:42:59Z) - Feature Extraction for Novelty Detection in Network Traffic [18.687465197576415]
データ表現は、機械学習における新規性検出手法の性能において重要な役割を果たす。
我々は、オープンソースのツール、付随するPythonライブラリ、ネットワークトラフィックの新規検出のためのエンドツーエンドパイプラインをリリースします。
論文 参考訳(メタデータ) (2020-06-30T17:53:59Z) - NeurAll: Towards a Unified Visual Perception Model for Automated Driving [8.49826472556323]
本稿では,複数のタスクを同時に学習するためのマルチタスクネットワーク設計を提案する。
自動運転システムの主なボトルネックは、デプロイメントハードウェアで利用可能な限られた処理能力である。
論文 参考訳(メタデータ) (2019-02-10T12:45:49Z)
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。