論文の概要: Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2104.10400v1
• Date: Wed, 21 Apr 2021 08:10:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 21:37:16.678659
• Title: Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks
• Title（参考訳）: 生成型adversarial networkを用いたフェデレーショントラヒック合成と分類
• Authors: Chenxin Xu, Rong Xia, Yong Xiao, Yingyu Li, Guangming Shi, Kwang-cheng Chen
• Abstract要約: 本稿では,FGAN-AC(Federated Generative Adversarial Networks and Automatic Classification)という新しいフレームワークを紹介する。 FGAN-ACは、大量の手動ラベル付きデータセットを必要とせず、データ漏洩を引き起こすことなく、分散型ローカルデータセットから複数のタイプのサービスデータトラフィックを合成および分類することができます。
• 参考スコア（独自算出の注目度）: 30.686118264562598
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the fast growing demand on new services and applications as well as the increasing awareness of data protection, traditional centralized traffic classification approaches are facing unprecedented challenges. This paper introduces a novel framework, Federated Generative Adversarial Networks and Automatic Classification (FGAN-AC), which integrates decentralized data synthesizing with traffic classification. FGAN-AC is able to synthesize and classify multiple types of service data traffic from decentralized local datasets without requiring a large volume of manually labeled dataset or causing any data leakage. Two types of data synthesizing approaches have been proposed and compared: computation-efficient FGAN (FGAN-\uppercase\expandafter{\romannumeral1}) and communication-efficient FGAN (FGAN-\uppercase\expandafter{\romannumeral2}). The former only implements a single CNN model for processing each local dataset and the later only requires coordination of intermediate model training parameters. An automatic data classification and model updating framework has been proposed to automatically identify unknown traffic from the synthesized data samples and create new pseudo-labels for model training. Numerical results show that our proposed framework has the ability to synthesize highly mixed service data traffic and can significantly improve the traffic classification performance compared to existing solutions.
• Abstract（参考訳）: 新たなサービスやアプリケーションに対する需要が急速に高まり、データ保護に対する意識が高まる中、従来の集中型トラフィック分類アプローチは前例のない課題に直面している。 本稿では、分散データ合成とトラフィック分類を統合した新しいフレームワークFederated Generative Adversarial Networks and Automatic Classification (FGAN-AC)を紹介する。 FGAN-ACは、大量の手動ラベル付きデータセットやデータ漏洩を引き起こすことなく、分散化されたローカルデータセットから複数のタイプのサービスデータトラフィックを合成し、分類することができる。 計算効率FGAN(FGAN-\uppercase\expandafter{\romannumeral1})と通信効率FGAN(FGAN-\uppercase\expandafter{\romannumeral2})の2種類のデータ合成手法が提案され、比較されている。 前者は各ローカルデータセットを処理するために単一のCNNモデルのみを実装し、後者は中間モデルのトレーニングパラメータの調整を必要とする。 合成データサンプルから未知のトラフィックを自動的に識別し、モデルトレーニングのための新しい擬似ラベルを作成するための自動データ分類およびモデル更新フレームワークが提案されている。 その結果,提案手法は高度に混合されたサービスデータトラフィックを合成でき,既存のソリューションと比較してトラフィック分類性能を大幅に向上できることがわかった。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• An Aggregation-Free Federated Learning for Tackling Data Heterogeneity [50.44021981013037]
  フェデレートラーニング(FL)は、分散データセットからの知識を活用する効果に頼っている。 従来のFLメソッドでは、クライアントが前回のトレーニングラウンドからサーバが集約したグローバルモデルに基づいてローカルモデルを更新するアグリゲート-then-adaptフレームワークを採用している。 我々は,新しいアグリゲーションフリーFLアルゴリズムであるFedAFを紹介する。
  論文  参考訳（メタデータ） (2024-04-29T05:55:23Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• FedPNN: One-shot Federated Classification via Evolving Clustering Method and Probabilistic Neural Network hybrid [4.241208172557663]
  本稿では,プライバシ保護を指向した2段階のフェデレーション学習手法を提案する。 第1段階では、2つの異なる分布をノイズとして利用して合成データセットを生成する。 第2段階では,FedPNN(Federated Probabilistic Neural Network)が開発され,グローバルに共有する分類モデルの構築に利用されている。
  論文  参考訳（メタデータ） (2023-04-09T03:23:37Z)
• Generative Adversarial Classification Network with Application to Network Traffic Classification [25.93711502488151]
  本稿では,GACN(Generative Adversarial Classification Network)と呼ばれる共同データ計算とデータ分類手法を提案する。 いくつかのデータサンプルがラベル付けされていないシナリオに対しては、部分ラベル付きデータを使用して分類精度を向上させる半教師付きGACN(SSGACN)と呼ばれる拡張を提案する。 実世界のネットワークトラフィックデータトレースを用いて実験を行い、GACNとSS-GACNは、分類においてより重要となるデータ特徴をより正確に解釈し、分類精度において既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-19T15:00:47Z)
• Distributed Traffic Synthesis and Classification in Edge Networks: A Federated Self-supervised Learning Approach [83.2160310392168]
  本稿では,多数の異種データセット上での自動トラフィック解析と合成を支援するFS-GANを提案する。 FS-GANは複数の分散ジェネレーティブ・アドバイサル・ネットワーク(GAN)から構成される FS-GANは未知のサービスのデータを分類し、未知のタイプのトラフィック分布をキャプチャする合成サンプルを作成する。
  論文  参考訳（メタデータ） (2023-02-01T03:23:11Z)
• DANCE: DAta-Network Co-optimization for Efficient Segmentation Model Training and Inference [85.02494022662505]
  DANCEは、効率的なセグメンテーションモデルのトレーニングと推論のための自動データネットワーク協調最適化である。 入力イメージを適応的にダウンサンプル/ドロップする自動データスライミングを統合し、画像の空間的複雑さによって導かれるトレーニング損失に対するそれに対応するコントリビューションを制御する。 実験と非難研究により、DANCEは効率的なセグメンテーションに向けて「オールウィン」を達成できることを示した。
  論文  参考訳（メタデータ） (2021-07-16T04:58:58Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。