論文の概要: Towards Network Traffic Monitoring Using Deep Transfer Learning

• arxiv url: http://arxiv.org/abs/2101.00731v1
• Date: Mon, 4 Jan 2021 00:32:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-12 09:01:19.624464
• Title: Towards Network Traffic Monitoring Using Deep Transfer Learning
• Title（参考訳）: ディープトランスファー学習を用いたネットワークトラフィックモニタリングに向けて
• Authors: Harsh Dhillon, Anwar Haque
• Abstract要約: 現代のネットワークインフラストラクチャは、ネットワーク侵入検出手法を効率の悪いものにし、巨大なネットワークトラフィックの流入を分類する。 本稿では,様々な深層学習手法を用いて,ネットワーク侵入検知システム(NIDS)の構築に向けた最新のアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.182860197562025
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network traffic is growing at an outpaced speed globally. The modern network infrastructure makes classic network intrusion detection methods inefficient to classify an inflow of vast network traffic. This paper aims to present a modern approach towards building a network intrusion detection system (NIDS) by using various deep learning methods. To further improve our proposed scheme and make it effective in real-world settings, we use deep transfer learning techniques where we transfer the knowledge learned by our model in a source domain with plentiful computational and data resources to a target domain with sparse availability of both the resources. Our proposed method achieved 98.30% classification accuracy score in the source domain and an improved 98.43% classification accuracy score in the target domain with a boost in the classification speed using UNSW-15 dataset. This study demonstrates that deep transfer learning techniques make it possible to construct large deep learning models to perform network classification, which can be deployed in the real world target domains where they can maintain their classification performance and improve their classification speed despite the limited accessibility of resources.
• Abstract（参考訳）: ネットワークトラフィックは世界中で増加傾向にある。 現代のネットワークインフラストラクチャは、古典的ネットワーク侵入検出手法を効率の悪いものにし、巨大なネットワークトラフィックの流入を分類する。 本稿では,様々な深層学習手法を用いて,ネットワーク侵入検知システム(NIDS)の構築に向けた最新のアプローチを提案する。 提案手法をさらに改良し,実世界の環境において有効にするために,本手法では,本手法で学習した知識を,豊富な計算資源とデータ資源を持つソースドメインから,両リソースの少ないターゲットドメインに転送する深層移動学習手法を用いる。 提案手法では,ソース領域で98.30%の分類精度,ターゲット領域で98.43%の分類精度が向上し,unsw-15データセットを用いた分類速度が向上した。 本研究は,ネットワーク分類を行うための大規模深層学習モデルの構築を可能にし,実世界対象領域に展開することで,リソースのアクセシビリティに制限があるにも関わらず,その分類性能を維持でき,分類速度を向上できることを実証する。

関連論文リスト

• Deep Learning Algorithms Used in Intrusion Detection Systems -- A Review [0.0]
  本稿では,CNN,Recurrent Neural Networks(RNN),Deep Belief Networks(DBN),Deep Neural Networks(DNN),Long Short-Term Memory(LSTM),Autoencoders(AE),Multi-Layer Perceptrons(MLP),Self-Normalizing Networks(SNN),Hybrid Model(ネットワーク侵入検知システム)など,近年のディープラーニング技術の進歩について述べる。
  論文  参考訳（メタデータ） (2024-02-26T20:57:35Z)
• Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey [0.0]
  IoT(Internet of Things)は前例のない成長を遂げ、相互接続されたデバイスからの多様なネットワークトラフィックが大量に流入している。 このネットワークトラフィックを効果的に分類することは、リソース割り当ての最適化、セキュリティ対策の強化、IoTシステムにおける効率的なネットワーク管理の確保に不可欠である。 ディープラーニングは、生データから複雑なパターンや表現を自動的に学習する能力のために、ネットワークトラフィック分類の強力なテクニックとして登場した。
  論文  参考訳（メタデータ） (2024-02-01T14:33:24Z)
• Learning State-Augmented Policies for Information Routing in Communication Networks [92.59624401684083]
  我々は,グラフニューラルネットワーク(GNN)アーキテクチャを用いて,ソースノードの集約情報を最大化する,新たなステート拡張(SA)戦略を開発した。 教師なし学習手法を利用して、GNNアーキテクチャの出力を最適情報ルーティング戦略に変換する。 実験では,実時間ネットワークトポロジの評価を行い,アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-09-30T04:34:25Z)
• NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction [33.299309349152146]
  少ないデータでトラフィック予測を解くために,新しいトランスファー学習手法を提案する。 まず、異なる道路ネットワークのノード固有の時空間トラフィックパターンをキャプチャできる時空間グラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-07-04T10:06:20Z)
• Domain-Invariant Proposals based on a Balanced Domain Classifier for Object Detection [8.583307102907295]
  画像からのオブジェクト認識は、興味のあるオブジェクトを自動的に見つけ、カテゴリと位置情報を返すことを意味する。 畳み込みニューラルネットワーク(CNN)や生成的敵ネットワークといった深層学習の研究により、この分野のパフォーマンスは大幅に改善された。 分布のミスマッチ、すなわちドメインシフトは、大幅なパフォーマンス低下につながります。
  論文  参考訳（メタデータ） (2022-02-12T00:21:27Z)
• Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities [9.891703123090528]
  本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。 DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。 3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2022-02-08T03:58:39Z)
• Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
  本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。 最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
  論文  参考訳（メタデータ） (2022-02-02T13:09:27Z)
• Unsupervised Domain-adaptive Hash for Networks [81.49184987430333]
  ドメイン適応型ハッシュ学習はコンピュータビジョンコミュニティでかなりの成功を収めた。 UDAHと呼ばれるネットワークのための教師なしドメイン適応型ハッシュ学習手法を開発した。
  論文  参考訳（メタデータ） (2021-08-20T12:09:38Z)
• 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)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Incremental Embedding Learning via Zero-Shot Translation [65.94349068508863]
  現在の最先端のインクリメンタル学習手法は、従来の分類ネットワークにおける破滅的な忘れ方問題に取り組む。 ゼロショット変換クラス増分法(ZSTCI)と呼ばれる新しい組込みネットワークのクラス増分法を提案する。 さらに、ZSTCIを既存の正規化ベースのインクリメンタル学習手法と組み合わせることで、組み込みネットワークの性能をより向上させることができる。
  論文  参考訳（メタデータ） (2020-12-31T08:21:37Z)

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。