論文の概要: Multibit Tries Packet Classification with Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2205.08606v1
• Date: Tue, 17 May 2022 19:53:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 13:59:32.205874
• Title: Multibit Tries Packet Classification with Deep Reinforcement Learning
• Title（参考訳）: 深層強化学習を用いたマルチビットパケット分類の試み
• Authors: Hasibul Jamil, Ning Weng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High performance packet classification is a key component 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 and high performance packet classification solution using hand-tuned heuristics approaches. In this paper, we present a scalable learning-based packet classification engine and its performance evaluation. By exploiting the sparsity of ruleset, our algorithm uses a few effective bits (EBs) to extract a large number of candidate rules with just a few of memory access. These effective bits are learned with deep reinforcement learning and they are used to create a bitmap to filter out the majority of rules which do not need to be full-matched to improve the online system performance. Moreover, our EBs learning-based selection method is independent of the ruleset, which can be applied to varying rulesets. Our multibit tries classification engine outperforms lookup time both in worst and average case by 55% and reduce memory footprint, compared to traditional decision tree without EBs.
• Abstract（参考訳）: 高性能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重要なコンポーネントである。 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,スケーラブルで高性能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,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。 ルールセットのスパース性を利用して、我々のアルゴリズムはいくつかの有効なビット(EB)を使用して、少数のメモリアクセスで多数の候補ルールを抽出する。 これらの効果的なビットは深層強化学習によって学習され、オンラインシステムのパフォーマンスを改善するためにフルマッチする必要のないルールの大部分をフィルタリングするためにビットマップを作成するために使用される。 さらに、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。 当社のマルチビットトライト分類エンジンは,ebsのない従来の決定木と比較して,最悪の場合と平均的な場合の両方でルックアップ時間を55%上回り,メモリフットプリントを削減しています。

関連論文リスト

• ByteStack-ID: Integrated Stacked Model Leveraging Payload Byte Frequency for Grayscale Image-based Network Intrusion Detection [0.46040036610482665]
  ByteStack-IDはパケットレベルの侵入検知に適した先駆的なアプローチである。 われわれのアプローチはパケットレベルの情報にのみ基づいている。 提案手法は,マルチクラス分類タスクにおいて,例外的に81%のマクロF1スコアを実現する。
  論文  参考訳（メタデータ） (2023-10-06T07:30:02Z)
• Ada-QPacknet -- adaptive pruning with bit width reduction as an efficient continual learning method without forgetting [0.8681331155356999]
  この作業では、新しいアーキテクチャベースのアプローチであるAda-QPacknetについて説明する。 タスクごとにサブネットワークを抽出するプルーニングが組み込まれている。 その結果,提案手法はタスクおよびクラスインクリメンタルシナリオにおいてCL戦略の大部分を上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-08-14T12:17:11Z)
• Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
  大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。 適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。 我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
  論文  参考訳（メタデータ） (2023-07-07T15:03:42Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• 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)
• Binary Early-Exit Network for Adaptive Inference on Low-Resource Devices [3.591566487849146]
  バイナリニューラルネットワーク(BNN)は、実数値モデルと比較して、極端な圧縮とスピードアップによる問題に対処する。 そこで本研究では,BNNを早期導入戦略で統合して推論を高速化する,シンプルだが効果的な手法を提案する。 このアプローチでは、決定しきい値に基づいて単純なインスタンスを早期に終了させ、異なる中間層に追加される出力層を利用してバイナリモデル全体の実行を回避する。
  論文  参考訳（メタデータ） (2022-06-17T22:11:11Z)
• Many Field Packet Classification with Decomposition and Reinforcement Learning [2.0915988632142275]
  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。
  論文  参考訳（メタデータ） (2022-05-16T20:24:37Z)
• 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)
• Rethinking Few-Shot Image Classification: a Good Embedding Is All You Need? [72.00712736992618]
  メタトレーニングセット上で教師付きあるいは自己教師型表現を学習する単純なベースラインが、最先端の数ショット学習方法より優れていることを示す。 追加の増量は自己蒸留によって達成できる。 我々は,この発見が,画像分類ベンチマークとメタ学習アルゴリズムの役割を再考する動機となっていると考えている。
  論文  参考訳（メタデータ） (2020-03-25T17:58:42Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

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。