論文の概要: A Hierarchical Terminal Recognition Approach based on Network Traffic
Analysis
- arxiv url: http://arxiv.org/abs/2204.07726v1
- Date: Sat, 16 Apr 2022 05:33:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 16:33:35.894849
- Title: A Hierarchical Terminal Recognition Approach based on Network Traffic
Analysis
- Title(参考訳): ネットワークトラフィック分析に基づく階層型端末認識手法
- Authors: Lingzi Kong, Daoqi Han, Junmei Ding, Mingrui Fan and Yueming Lu
- Abstract要約: 本稿では,グリッドデータの詳細を適用した階層型端末認識手法を提案する。
我々はグリッドデータをセグメント化して2段階のモデル構造を構築した。
特徴の選定と再構築により、3つのアルゴリズムを組み合わせて端末の型を正確に識別する。
- 参考スコア(独自算出の注目度): 0.48298211429517085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recognizing the type of connected devices to a network helps to perform
security policies. In smart grids, identifying massive number of grid metering
terminals based on network traffic analysis is almost blank and existing
research has not proposed a targeted end-to-end model to solve the flow
classification problem. Therefore, we proposed a hierarchical terminal
recognition approach that applies the details of grid data. We have formed a
two-level model structure by segmenting the grid data, which uses the
statistical characteristics of network traffic and the specific behavior
characteristics of grid metering terminals. Moreover, through the selection and
reconstruction of features, we combine three algorithms to achieve accurate
identification of terminal types that transmit network traffic. We conduct
extensive experiments on a real dataset containing three types of grid metering
terminals, and the results show that our research has improved performance
compared to common recognition models. The combination of an autoencoder,
K-Means and GradientBoost algorithm achieved the best recognition rate with F1
value of 98.3%.
- Abstract(参考訳): ネットワークに接続されたデバイスの種類を認識することは、セキュリティポリシーの実行に役立つ。
スマートグリッドでは,ネットワークトラフィック分析に基づく大量のグリッド計測端末の同定はほとんど空白であり,既存の研究では,フロー分類問題を解決するためのエンド・ツー・エンド・モデルを提案していない。
そこで我々は,グリッドデータの詳細を適用する階層型端末認識手法を提案する。
ネットワークトラフィックの統計特性とグリッド計測端末の具体的な挙動特性を用いて,グリッドデータをセグメント化して2段階のモデル構造を構築した。
さらに,特徴の選択と再構築により,ネットワークトラフィックを伝達する端末タイプを正確に識別する3つのアルゴリズムを組み合わせる。
本研究では,3種類のグリッド計測端末を含む実データ集合について広範な実験を行い,一般的な認識モデルと比較して性能が向上したことを示す。
オートエンコーダとk-meansとgradientboostアルゴリズムの組み合わせは、f1値98.3%の最高の認識率を達成した。
関連論文リスト
- Network Alignment with Transferable Graph Autoencoders [79.89704126746204]
本稿では,強力で堅牢なノード埋め込みを抽出するグラフオートエンコーダアーキテクチャを提案する。
生成した埋め込みがグラフの固有値と固有ベクトルと結びついていることを証明する。
提案フレームワークは転送学習とデータ拡張を利用して,大規模なネットワークアライメントを実現する。
論文 参考訳(メタデータ) (2023-10-05T02:58:29Z) - Traffic Light Recognition using Convolutional Neural Networks: A Survey [4.451479907610764]
我々は畳み込みニューラルネットワーク(CNN)を用いた交通信号認識手法の総合的な調査と分析を行う。
基盤となるアーキテクチャに基づいて、メソッドを3つの主要なグループにクラスタ化します。
各クラスタで最も重要な作業について説明し、データセットの使用方法について議論し、研究ギャップを特定します。
論文 参考訳(メタデータ) (2023-09-05T11:50:38Z) - 3DMODT: Attention-Guided Affinities for Joint Detection & Tracking in 3D
Point Clouds [95.54285993019843]
本稿では,3次元点雲における複数物体の同時検出と追跡手法を提案する。
本モデルでは,複数のフレームを用いた時間情報を利用してオブジェクトを検出し,一つのネットワーク上で追跡する。
論文 参考訳(メタデータ) (2022-11-01T20:59:38Z) - 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) - HAGCN : Network Decentralization Attention Based Heterogeneity-Aware
Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting [0.0]
交通信号データに固有の異種特性について検討し,センサ間の隠れ関係を様々な方法で学習する。
本稿では,隣接ノードの隠れ状態を集約する分散化注目グラフ畳み込みネットワーク(HAGCN)を提案する。
論文 参考訳(メタデータ) (2022-09-05T13:45:52Z) - Feature Extraction for Machine Learning-based Intrusion Detection in IoT
Networks [6.6147550436077776]
本稿では, 特徴量削減 (FR) と機械学習 (ML) の手法が, 様々なデータセットにまたがって一般化できるかどうかを明らかにすることを目的とする。
主成分分析(PCA)、自動エンコーダ(AE)、線形識別分析(LDA)の3つの特徴抽出(FE)アルゴリズムの検出精度を評価する。
論文 参考訳(メタデータ) (2021-08-28T23:52:18Z) - Novelty Detection and Analysis of Traffic Scenario Infrastructures in
the Latent Space of a Vision Transformer-Based Triplet Autoencoder [12.194597074511863]
インフラストラクチャイメージに基づいて新たなトラフィックシナリオを検出する手法を提案する。
オートエンコーダ三重項ネットワークは、外乱検出に使用されるインフラストラクチャイメージの潜在表現を提供する。
提案手法は他の最先端の異常検出手法よりも優れている。
論文 参考訳(メタデータ) (2021-05-05T08:24:03Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳(メタデータ) (2021-02-27T03:17:20Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳(メタデータ) (2020-12-18T18:06:43Z) - Generalized Iris Presentation Attack Detection Algorithm under
Cross-Database Settings [63.90855798947425]
プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。
本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。
これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
論文 参考訳(メタデータ) (2020-10-25T22:42:27Z) - Characterization and Identification of Cloudified Mobile Network
Performance Bottlenecks [0.0]
この研究は、5Gモバイルネットワークが経験できるパフォーマンスボトルネックの範囲を実験的に調査する最初の試みである。
特に,分散分析はボトルネック識別精度と帰納的計算・通信オーバーヘッドの両方において合理的に機能することがわかった。
論文 参考訳(メタデータ) (2020-07-22T14:46:51Z)
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。