論文の概要: Deep Sequence Modeling for Anomalous ISP Traffic Prediction

• arxiv url: http://arxiv.org/abs/2205.01685v1
• Date: Tue, 3 May 2022 17:01:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-06 05:40:02.262440
• Title: Deep Sequence Modeling for Anomalous ISP Traffic Prediction
• Title（参考訳）: 異常ISPトラフィック予測のためのディープシーケンスモデリング
• Authors: Sajal Saha, Anwar Haque, and Greg Sidebottom
• Abstract要約: 異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。 LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
• 参考スコア（独自算出の注目度）: 3.689539481706835
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Internet traffic in the real world is susceptible to various external and internal factors which may abruptly change the normal traffic flow. Those unexpected changes are considered outliers in traffic. However, deep sequence models have been used to predict complex IP traffic, but their comparative performance for anomalous traffic has not been studied extensively. In this paper, we investigated and evaluated the performance of different deep sequence models for anomalous traffic prediction. Several deep sequences models were implemented to predict real traffic without and with outliers and show the significance of outlier detection in real-world traffic prediction. First, two different outlier detection techniques, such as the Three-Sigma rule and Isolation Forest, were applied to identify the anomaly. Second, we adjusted those abnormal data points using the Backward Filling technique before training the model. Finally, the performance of different models was compared for abnormal and adjusted traffic. LSTM_Encoder_Decoder (LSTM_En_De) is the best prediction model in our experiment, reducing the deviation between actual and predicted traffic by more than 11\% after adjusting the outliers. All other models, including Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), LSTM_En_De with Attention layer (LSTM_En_De_Atn), Gated Recurrent Unit (GRU), show better prediction after replacing the outliers and decreasing prediction error by more than 29%, 24%, 19%, and 10% respectively. Our experimental results indicate that the outliers in the data can significantly impact the quality of the prediction. Thus, outlier detection and mitigation assist the deep sequence model in learning the general trend and making better predictions.
• Abstract（参考訳）: 現実世界のインターネットトラフィックは、通常のトラフィックの流れを突然変える可能性のある様々な外部および内部要因に影響を受けやすい。 これらの予期せぬ変更は、トラフィックの異常と見なされる。 しかし、複雑なipトラフィックを予測するためにディープシーケンスモデルが用いられてきたが、その異常なトラフィックに対する比較性能は広く研究されていない。 本稿では,異常トラフィック予測のための異なるディープシーケンスモデルの性能について検討し,評価を行った。 いくつかのディープシーケンスモデルが実際のトラフィックを予測するために実装され、実際のトラフィック予測において、アウトラヤ検出の重要性が示された。 まず, 3-シグマ則や孤立林といった2つの異なる異常検出手法を適用し, 異常を同定した。 第2に,モデルトレーニング前に後方充填法を用いて異常データ点を調整した。 最後に,異なるモデルの性能を,異常および調整されたトラヒックと比較した。 LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。 Recurrent Neural Network (RNN)、Long Short-Term Memory (LSTM)、LSTM_En_De with Attention Layer (LSTM_En_De_Atn)、Gated Recurrent Unit (GRU)を含む他のモデルでは、それぞれ29%、24%、19%、10%以上の予測誤差を減少させる。 実験の結果,データの異常値が予測の質に大きく影響する可能性が示唆された。 したがって、外乱検出と緩和は、一般的な傾向を学習し、より良い予測を行う際に、ディープシーケンスモデルを支援する。

関連論文リスト

• LARA: A Light and Anti-overfitting Retraining Approach for Unsupervised Time Series Anomaly Detection [49.52429991848581]
  深部変分自動エンコーダに基づく時系列異常検出手法(VAE)のための光・反オーバーフィット学習手法(LARA)を提案する。 本研究の目的は,1) 再学習過程を凸問題として定式化し, 過度に収束できること,2) 履歴データを保存せずに活用するルミネートブロックを設計すること,3) 潜在ベクトルと再構成データの微調整を行うと, 線形形成が基底真実と微調整されたブロックとの誤りを最小に調整できることを数学的に証明することである。
  論文  参考訳（メタデータ） (2023-10-09T12:36:16Z)
• Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
  ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。 我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。 我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
  論文  参考訳（メタデータ） (2023-10-02T03:25:32Z)
• A Bayesian approach to quantifying uncertainties and improving generalizability in traffic prediction models [0.0]
  本稿では,高一般化性を有する交通予測の不確実性を考慮したベイズ型リカレントニューラルネットワークフレームワークを提案する。 正規化は、モデルの複雑さを制御することによって、ディープニューラルネットワークのトレーニングプロセスを変化させることを示す。 特に交通管理アプリケーションでは,複数箇所にわたる交通状況の予測が目的である。
  論文  参考訳（メタデータ） (2023-07-12T06:23:31Z)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• Deep Neural Network Based Accelerated Failure Time Models using Rank Loss [0.0]
  加速故障時間(AFT)モデルは、障害時間と一連の共変量の間の対数線関係を仮定する。 ディープニューラルネットワーク(DNN)は過去数十年にわたって注目され、様々な分野で大きな成功を収めてきた。 本稿では,Gehan型損失モデルとサブサンプリング手法を組み合わせることで,AFTモデルにDNNを適用することを提案する。
  論文  参考訳（メタデータ） (2022-06-13T08:38:18Z)
• Transfer Learning Based Efficient Traffic Prediction with Limited Training Data [3.689539481706835]
  インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。 限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。 不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
  論文  参考訳（メタデータ） (2022-05-09T14:44:39Z)
• An Empirical Study on Internet Traffic Prediction Using Statistical Rolling Model [3.689539481706835]
  我々の交通の季節性は、SARIMAを用いて明確にモデル化されており、平均平均パーセンテージ誤差(MAPE)を4%以上削減している。 さらに,SARIMAXを用いた交通予測を改良し,元の交通から抽出した異なる要因を学習し,MAPEの6.83%で最高の転がり予測結果を得た。
  論文  参考訳（メタデータ） (2022-05-03T16:15:00Z)
• Towards an Ensemble Regressor Model for Anomalous ISP Traffic Prediction [3.689539481706835]
  一般的な傾向を学習し、より良い予測を行う際に、外乱検出と緩和が回帰モデルに役立つことを示す。 我々のアンサンブル回帰モデルは、実際のトラフィックと予測トラフィックの5.04%の最小平均ギャップを9つの外乱調整入力で達成した。
  論文  参考訳（メタデータ） (2022-05-03T04:37:37Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• A model for traffic incident prediction using emergency braking data [77.34726150561087]
  道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。 メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2021-02-12T18:17:12Z)

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。