論文の概要: Active Learning for Network Traffic Classification: A Technical Survey

• arxiv url: http://arxiv.org/abs/2106.06933v1
• Date: Sun, 13 Jun 2021 06:37:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-17 13:35:40.594737
• Title: Active Learning for Network Traffic Classification: A Technical Survey
• Title（参考訳）: ネットワークトラフィック分類のためのアクティブラーニング:技術調査
• Authors: Amin Shahraki, Mahmoud Abbasi, Amir Taherkordi and Anca Delia Jurcut
• Abstract要約: 本研究では、アクティブラーニング(AL)と呼ばれるMLのアクティブな形態の適用性について検討し、多数のラベル付きサンプルの必要性を低減させる。 本研究はまず,NTCにおけるML手法の活用分野における文献調査とともに,NTCとその基礎的課題について概説する。 さらに,NTCにALを使用する際の課題とオープンな課題について論じる。
• 参考スコア（独自算出の注目度）: 1.942265343737899
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network Traffic Classification (NTC) has become an important component in a wide variety of network management operations, e.g., Quality of Service (QoS) provisioning and security purposes. Machine Learning (ML) algorithms as a common approach for NTC methods can achieve reasonable accuracy and handle encrypted traffic. However, ML-based NTC techniques suffer from the shortage of labeled traffic data which is the case in many real-world applications. This study investigates the applicability of an active form of ML, called Active Learning (AL), which reduces the need for a high number of labeled examples by actively choosing the instances that should be labeled. The study first provides an overview of NTC and its fundamental challenges along with surveying the literature in the field of using ML techniques in NTC. Then, it introduces the concepts of AL, discusses it in the context of NTC, and review the literature in this field. Further, challenges and open issues in the use of AL for NTC are discussed. Additionally, as a technical survey, some experiments are conducted to show the broad applicability of AL in NTC. The simulation results show that AL can achieve high accuracy with a small amount of data.
• Abstract（参考訳）: ネットワークトラフィック分類(NTC)は、QoS(Quality of Service)のプロビジョニングやセキュリティ目的など、さまざまなネットワーク管理業務において重要なコンポーネントとなっている。 NTC手法の共通手法としての機械学習(ML)アルゴリズムは、適切な精度を達成し、暗号化されたトラフィックを処理することができる。 しかし、MLベースのNTC技術は、多くの実世界のアプリケーションで使われているラベル付きトラフィックデータの不足に悩まされている。 本研究では、アクティブラーニング(AL)と呼ばれるMLのアクティブな形態の適用性について検討し、ラベル付けすべきインスタンスを積極的に選択することで、多数のラベル付きサンプルの必要性を低減する。 本研究はまず,NTCにおけるML手法の活用分野における文献調査とともに,NTCとその基礎的課題について概説する。 次に、ALの概念を導入し、NTCの文脈で議論し、この分野の文献をレビューする。 さらに,NTCにおけるALの使用に関する課題と課題について論じる。 さらに技術調査として,NTCにおけるALの広範な適用性を示す実験を行った。 シミュレーションの結果,ALは少ないデータ量で高い精度が得られることがわかった。

関連論文リスト

• Enhancing Data-Limited Graph Neural Networks by Actively Distilling Knowledge from Large Language Models [30.867447814409623]
  大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)を統合した新しいアプローチを提案する。 我々のモデルでは,ラベル付きデータによるノード分類精度を著しく向上し,最先端のベースラインをかなりのマージンで超えた。
  論文  参考訳（メタデータ） (2024-07-19T02:34:10Z)
• Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
  本稿では,既存のMTL手法の効率性に焦点をあてる。 バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。 また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
  論文  参考訳（メタデータ） (2024-02-05T22:15:55Z)
• SoK: Pragmatic Assessment of Machine Learning for Network Intrusion Detection [3.8759572154478343]
  本稿では,NIDに対するMLに対する実践者の懐疑的意識を,研究で採用されている評価方法論を「変える」ことで低減することを目的とする。 実践者がNIDのためのML手法の真の価値を評価できる「実用的評価」の概念を提案する。
  論文  参考訳（メタデータ） (2023-04-30T18:38:27Z)
• Active Learning Framework to Automate NetworkTraffic Classification [0.0]
  この話題に対処するための新しいActiveLearning Framework(ALF)を提案する。 ALFは、アクティブラーニングループのデプロイと、データセットとMLモデルを継続的に進化させるALFインスタンスのメンテナンスに使用できるコンポーネントを提供する。 その結果,高速(100Gb/s)ネットワークのIPフローに基づく解析が可能となった。
  論文  参考訳（メタデータ） (2022-10-26T10:15:18Z)
• KnowDA: All-in-One Knowledge Mixture Model for Data Augmentation in Few-Shot NLP [68.43279384561352]
  既存のデータ拡張アルゴリズムはタスク非依存のルールや微調整の汎用事前訓練言語モデルを利用する。 これらの手法は、簡単なタスク固有の知識を持ち、単純なタスクにおいて弱いベースラインのための低品質な合成データを得るに限られる。 我々は,様々なNLPタスクを予め学習したエンコーダ/デコーダLMの知識混合データ拡張モデル(KnowDA)を提案する。
  論文  参考訳（メタデータ） (2022-06-21T11:34:02Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Meta-Learning with Fewer Tasks through Task Interpolation [67.03769747726666]
  現在のメタ学習アルゴリズムは多数のメタトレーニングタスクを必要としており、実際のシナリオではアクセスできない可能性がある。 タスクグラデーションを用いたメタラーニング(MLTI)により,タスクのペアをランダムにサンプリングし,対応する特徴やラベルを補間することにより,タスクを効果的に生成する。 実証的な実験では,提案する汎用MLTIフレームワークが代表的なメタ学習アルゴリズムと互換性があり,他の最先端戦略を一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-06-04T20:15:34Z)
• Deep Learning and Traffic Classification: Lessons learned from a commercial-grade dataset with hundreds of encrypted and zero-day applications [72.02908263225919]
  商業用DLトラフィック分類エンジンでの経験を共有します。 暗号化トラフィックから既知のアプリケーションや未知のゼロデイアプリケーションを特定します。 DLモデルに合わせ、最新技術よりも正確で軽量な新しい手法を提案します。
  論文  参考訳（メタデータ） (2021-04-07T15:21:22Z)
• Dif-MAML: Decentralized Multi-Agent Meta-Learning [54.39661018886268]
  我々は,MAML や Dif-MAML と呼ばれる協調型マルチエージェントメタ学習アルゴリズムを提案する。 提案手法により, エージェントの集合が線形速度で合意に達し, 集約MAMLの定常点に収束できることを示す。 シミュレーションの結果は従来の非協調的な環境と比較して理論的な結果と優れた性能を示している。
  論文  参考訳（メタデータ） (2020-10-06T16:51:09Z)

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。