論文の概要: CGNN: Traffic Classification with Graph Neural Network
- arxiv url: http://arxiv.org/abs/2110.09726v1
- Date: Tue, 19 Oct 2021 04:10:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 13:15:16.044618
- Title: CGNN: Traffic Classification with Graph Neural Network
- Title（参考訳）: CGNN:グラフニューラルネットワークによる交通分類
- Authors: Bo Pang, Yongquan Fu, Siyuan Ren, Ye Wang, Qing Liao, Yan Jia
- Abstract要約: 本稿では,連鎖グラフ上で自動的に抽出された特徴に対してグラフ分類器を構築するグラフニューラルネットワークに基づくトラフィック分類手法を提案する。
CGNNは、アプリケーション分類における予測精度を23%から29%改善し、悪意のあるトラフィック分類では2%から37%改善し、暗号化されたトラフィック分類では同じ精度に達する。
- 参考スコア（独自算出の注目度）: 13.851922724661538
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Traffic classification associates packet streams with known application
labels, which is vital for network security and network management. With the
rise of NAT, port dynamics, and encrypted traffic, it is increasingly
challenging to obtain unified traffic features for accurate classification.
Many state-of-the-art traffic classifiers automatically extract features from
the packet stream based on deep learning models such as convolution networks.
Unfortunately, the compositional and causal relationships between packets are
not well extracted in these deep learning models, which affects both prediction
accuracy and generalization on different traffic types.
In this paper, we present a chained graph model on the packet stream to keep
the chained compositional sequence. Next, we propose CGNN, a graph neural
network based traffic classification method, which builds a graph classifier
over automatically extracted features over the chained graph.
Extensive evaluation over real-world traffic data sets, including normal,
encrypted and malicious labels, show that, CGNN improves the prediction
accuracy by 23\% to 29\% for application classification, by 2\% to 37\% for
malicious traffic classification, and reaches the same accuracy level for
encrypted traffic classification. CGNN is quite robust in terms of the recall
and precision metrics. We have extensively evaluated the parameter sensitivity
of CGNN, which yields optimized parameters that are quite effective for traffic
classification.
- Abstract（参考訳）: トラフィック分類は、パケットストリームと既知のアプリケーションラベルを関連付ける。
NAT、ポートダイナミクス、暗号化トラフィックの増加に伴い、正確な分類のために統一されたトラフィック機能を取得することはますます困難になっている。
多くの最先端のトラフィック分類器は、畳み込みネットワークのようなディープラーニングモデルに基づいてパケットストリームから自動的に特徴を抽出する。
残念ながら、これらの深層学習モデルでは、パケット間の構成的および因果関係は十分に抽出されておらず、異なるトラフィックタイプにおける予測精度と一般化の両方に影響を与える。
本稿では,パケットストリーム上の連鎖グラフモデルを提案する。
次に,連鎖グラフ上で自動的に抽出された特徴の上にグラフ分類を行う,グラフニューラルネットワークに基づくトラフィック分類手法であるcgnnを提案する。
通常の,暗号化された,悪意のあるラベルを含む実世界のトラフィックデータセットに対する広範な評価から,cgnnは,アプリケーション分類の予測精度を23\%から29\%,悪意のあるトラフィック分類を2\%から37\%,暗号化トラフィック分類の精度を同じレベルに向上させることが示された。
CGNNはリコールと精度の指標に関して非常に堅牢である。
我々は,交通分類に非常に有効な最適化パラメータであるCGNNのパラメータ感度を広範囲に評価した。
関連論文リスト
- FG-SAT: Efficient Flow Graph for Encrypted Traffic Classification under Environment Shifts [19.76017462160707]
暗号化されたトラフィック分類は、ネットワークのセキュリティと管理において重要な役割を果たす。
既存の手法では、トランスポート層機構とアプリケーションの間の重要なリンクを認識できない。
FG-SATは,環境変動を考慮した最初のエンドツーエンドのトラフィック解析手法である。
論文 参考訳（メタデータ） (2024-08-26T09:11:36Z) - Graph Construction with Flexible Nodes for Traffic Demand Prediction [44.1996864038085]
本稿では,自由フローティング交通モードに適したグラフ構築手法を提案する。
グラフ内のノードのフレキシブルな位置決めを決定するために,新しい密度ベースクラスタリングアルゴリズム (HDPC-L) を提案する。
深セン自転車シェアリングデータセットとハイコウライドシェアリングデータセットの2つの実世界のデータセットに関する総合的な実験は、この手法がモデルの性能を大幅に改善することを示している。
論文 参考訳（メタデータ） (2024-03-01T04:38:51Z) - Lens: A Foundation Model for Network Traffic [19.3652490585798]
Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。
Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
論文 参考訳（メタデータ） (2024-02-06T02:45:13Z) - Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for
Traffic Forecasting [0.0]
本稿では,マルチスケール解析(MSA)法とディープラーニング(DL)法を組み合わせたグラフ・コンパス・リカレント・ネットワーク(WavGCRN)を提案する。
提案手法は,現実のトラフィックデータセット上での解釈可能性,強力な学習能力,および競合予測性能を提供する。
論文 参考訳（メタデータ） (2024-01-11T16:55:48Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - Training Robust Graph Neural Networks with Topology Adaptive Edge
Dropping [116.26579152942162]
グラフニューラルネットワーク(GNN)は、グラフ構造情報を利用してネットワークデータから表現をモデル化する処理アーキテクチャである。
彼らの成功にもかかわらず、GNNは限られた訓練データから得られる準最適一般化性能に悩まされている。
本稿では、一般化性能を改善し、堅牢なGNNモデルを学習するためのトポロジ適応エッジドロップ法を提案する。
論文 参考訳（メタデータ） (2021-06-05T13:20:36Z) - Dynamic Graph Convolutional Recurrent Network for Traffic Prediction:
Benchmark and Solution [18.309299822858243]
DGCRN(Dynamic Graph Contemporal Recurrent Network)と呼ばれる新しい交通予測フレームワークを提案する。
DGCRNでは、ハイパーネットワークはノード属性から動的特性を活用して抽出するように設計されている。
我々は、各時間ステップで動的グラフの細かい反復をモデル化する生成法を最初に採用した。
論文 参考訳（メタデータ） (2021-04-30T11:25:43Z) - Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。
PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。
PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
論文 参考訳（メタデータ） (2020-11-13T18:53:21Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。