論文の概要: Practical and Configurable Network Traffic Classification Using Probabilistic Machine Learning

• arxiv url: http://arxiv.org/abs/2107.06080v1
• Date: Sat, 10 Jul 2021 07:10:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 05:36:16.029829
• Title: Practical and Configurable Network Traffic Classification Using Probabilistic Machine Learning
• Title（参考訳）: 確率的機械学習を用いたネットワークトラフィックの実用的・構成的分類
• Authors: Jiahui Chen, Joe Breen, Jeff M. Phillips, Jacobus Van der Merwe
• Abstract要約: フレキシブルでフレキシブルな機械学習トラフィック分類法を提案する。 本手法は, 確率推定に基づいて, 分類決定のための確実性の尺度を提供し, トラフィックを調整可能な確実度レベルで分類することができる。 我々は,我々の分類手法とその構成が,高性能なコンピューティングネットワーク環境から現実のトラフィックに対してどのように機能するかを実証する。
• 参考スコア（独自算出の注目度）: 5.558356125645279
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network traffic classification that is widely applicable and highly accurate is valuable for many network security and management tasks. A flexible and easily configurable classification framework is ideal, as it can be customized for use in a wide variety of networks. In this paper, we propose a highly configurable and flexible machine learning traffic classification method that relies only on statistics of sequences of packets to distinguish known, or approved, traffic from unknown traffic. Our method is based on likelihood estimation, provides a measure of certainty for classification decisions, and can classify traffic at adjustable certainty levels. Our classification method can also be applied in different classification scenarios, each prioritizing a different classification goal. We demonstrate how our classification scheme and all its configurations perform well on real-world traffic from a high performance computing network environment.
• Abstract（参考訳）: 広く適用可能で高精度なネットワークトラフィック分類は、多くのネットワークセキュリティおよび管理タスクに有用である。 フレキシブルで構成が容易な分類フレームワークは理想的であり、さまざまなネットワークで使用するためにカスタマイズすることができる。 本稿では,未知のトラフィックから既知の,あるいは承認されたトラフィックを識別するために,パケットのシーケンスの統計のみに依存する,高度に構成可能で柔軟な機械学習トラフィック分類手法を提案する。 提案手法は,確率推定に基づいて,分類決定のための確実性尺度を提供し,トラフィックを調整可能な確実性レベルに分類することができる。 分類方法は, 異なる分類目標を優先して, 異なる分類シナリオにも適用できる。 高性能コンピューティングネットワーク環境における実世界のトラフィックに対して,当社の分類手法とその構成がどのように機能するかを実証する。

関連論文リスト

• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• 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)
• Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing [24.947404267499586]
  flow-packet hybrid traffic classification (fphtc) 我々は、ルーティングポリシーに基づいてパケットごとにルータが決定するfphtcを紹介する。 トラフィックパターンの変更に対して堅牢であり、限られた計算リソースでデプロイできることを示す。
  論文  参考訳（メタデータ） (2021-04-30T20:30:36Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)
• Active Hybrid Classification [79.02441914023811]
  本論文では,クラスタとマシンが分類問題にどう対応できるかを示す。 本稿では,活発な学習と群集分類を編成し,それらを活発なサイクルで組み合わせるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-01-21T21:09:07Z)
• Meta Learning for Few-Shot One-class Classification [0.0]
  メタ学習問題として,一級分類における意味のある特徴の学習を定式化する。 これらの表現を学習するには、類似したタスクからのマルチクラスデータのみが必要である。 数ショットの分類データセットを、数ショットの1クラスの分類シナリオに適応させることで、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2020-09-11T11:35:28Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Unsupervised and Supervised Learning with the Random Forest Algorithm for Traffic Scenario Clustering and Classification [4.169845583045265]
  本研究の目的は,交通シナリオのカテゴリを自動的に見つけ出す手法を提供することである。 アーキテクチャは3つの主要コンポーネントで構成されている: 顕微鏡的トラフィックシミュレーション、クラスタリング技術、および運用フェーズの分類技術である。
  論文  参考訳（メタデータ） (2020-04-05T08:26:29Z)

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。