論文の概要: Many Field Packet Classification with Decomposition and Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2205.07973v1
• Date: Mon, 16 May 2022 20:24:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-18 14:19:21.205513
• Title: Many Field Packet Classification with Decomposition and Reinforcement Learning
• Title（参考訳）: 分解・強化学習による多フィールドパケット分類
• Authors: Hasibul Jamil, Ning Yang and Ning Weng
• Abstract要約: 多くのフィールドで異なるルールセットのための効率的なデータ構造を構築することにより、スケーラブルな学習ベースのパケット分類エンジンを提案する。 本手法は,フィールドを部分集合に分解し,それらの部分集合上に決定木を分割し,深層強化学習法を用いて構成する。 その結果、SD分解測定値がDI測定値よりも11.5%速く、ランダム2より25%速く、ランダム1より40%速くなっていることがわかった。
• 参考スコア（独自算出の注目度）: 2.0915988632142275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable packet classification is a key requirement to support scalable network applications like firewalls, intrusion detection, and differentiated services. With ever increasing in the line-rate in core networks, it becomes a great challenge to design a scalable packet classification solution using hand-tuned heuristics approaches. In this paper, we present a scalable learning-based packet classification engine by building an efficient data structure for different ruleset with many fields. Our method consists of the decomposition of fields into subsets and building separate decision trees on those subsets using a deep reinforcement learning procedure. To decompose given fields of a ruleset, we consider different grouping metrics like standard deviation of individual fields and introduce a novel metric called diversity index (DI). We examine different decomposition schemes and construct decision trees for each scheme using deep reinforcement learning and compare the results. The results show that the SD decomposition metrics results in 11.5% faster than DI metrics, 25% faster than random 2 and 40% faster than random 1. Furthermore, our learning-based selection method can be applied to varying rulesets due to its ruleset independence.
• Abstract（参考訳）: スケーラブルなパケット分類は、ファイアウォール、侵入検知、差別化サービスといったスケーラブルなネットワークアプリケーションをサポートするための重要な要件である。 コアネットワークにおけるラインレートの増大に伴い,手作業によるヒューリスティックスアプローチを用いて,スケーラブルなパケット分類ソリューションを設計することが大きな課題となる。 本稿では,多分野の異なるルールセットのための効率的なデータ構造を構築することにより,スケーラブルな学習ベースパケット分類エンジンを提案する。 本手法は, フィールドを部分集合に分解し, それらの部分集合上の決定木を, 深い強化学習手順を用いて構築する。 ルールセットの与えられたフィールドを分解するために、各フィールドの標準偏差のような異なるグループ化メトリクスを検討し、多様性指標(DI)と呼ばれる新しい指標を導入する。 深部強化学習を用いて各スキームの異なる分解スキームと決定木について検討し,結果を比較した。 その結果、SD分解測定値がDI測定値よりも11.5%速く、ランダム2より25%速く、ランダム1より40%速くなっていることがわかった。 さらに、学習に基づく選択法は、規則セットの独立性から、様々な規則セットに適用することができる。

関連論文リスト

• Coordinated Multi-Neighborhood Learning on a Directed Acyclic Graph [6.727984016678534]
  因果非巡回グラフ(DAG)の構造を学習することは、機械学習や人工知能の多くの分野で有用である。 強い、しばしば制限的な仮定なしに優れた経験的、理論的結果を得ることは困難である。 本論文では,複数のユーザ特定ターゲットノードの周囲の局所構造を推定する制約に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:49:43Z)
• Multibit Tries Packet Classification with Deep Reinforcement Learning [0.0]
  本稿では,スケーラブルな学習ベースパケット分類エンジンとその性能評価について述べる。 我々のアルゴリズムは、少数のメモリアクセスを持つ多数の候補ルールを抽出するために、いくつかの有効なビット(EB)を使用する。 我々のEBs学習に基づく選択法は規則セットとは独立であり、様々な規則セットに適用できる。
  論文  参考訳（メタデータ） (2022-05-17T19:53:25Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Towards Improved and Interpretable Deep Metric Learning via Attentive Grouping [103.71992720794421]
  グループ化は、様々な特徴の計算にディープ・メトリック・ラーニングでよく用いられてきた。 本稿では,任意のメトリクス学習フレームワークと柔軟に統合可能な,改良された解釈可能なグループ化手法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T19:08:24Z)
• Fast Few-Shot Classification by Few-Iteration Meta-Learning [173.32497326674775]
  数ショット分類のための高速な最適化に基づくメタラーニング手法を提案する。 我々の戦略はメタ学習において学習すべき基礎学習者の目的の重要な側面を可能にする。 我々は、我々のアプローチの速度と効果を実証し、総合的な実験分析を行う。
  論文  参考訳（メタデータ） (2020-10-01T15:59:31Z)
• Differentiable TAN Structure Learning for Bayesian Network Classifiers [19.30562170076368]
  本研究では,個別な入力特徴を持つベイズ型ネットワーク分類器に対する木拡大型ネーブベイズ構造(TAN)の学習について検討する。 提案手法は,可能なグラフ構造の空間上で最適化を行う代わりに,グラフ構造上の分布を学習する。 提案手法はランダムなTAN構造とChow-Liu TAN構造を一貫して上回る。
  論文  参考訳（メタデータ） (2020-08-21T16:22:47Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• The Max-Cut Decision Tree: Improving on the Accuracy and Running Time of Decision Trees [0.0]
  Max-Cut決定木は、分類決定木構築の標準的なベースラインモデル(正確にはCART Gini)に新しい修正を加えている。 実験の結果,このノードベースの局所化PCAは分類を劇的に改善すると同時に,ベースライン決定木に比べて計算時間を著しく短縮できることがわかった。 CIFAR-100の例では、CPU時間を94%削減しつつ、49%の精度向上を実現している。
  論文  参考訳（メタデータ） (2020-06-25T00:47:21Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。