論文の概要: Active Learning Framework to Automate NetworkTraffic Classification
- arxiv url: http://arxiv.org/abs/2211.08399v1
- Date: Wed, 26 Oct 2022 10:15:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-20 14:16:49.403636
- Title: Active Learning Framework to Automate NetworkTraffic Classification
- Title（参考訳）: NetworkTraffic分類を自動化するアクティブラーニングフレームワーク
- Authors: Jaroslav Pe\v{s}ek, Dominik Soukup, Tom\'a\v{s} \v{C}ejka
- Abstract要約: この話題に対処するための新しいActiveLearning Framework(ALF)を提案する。
ALFは、アクティブラーニングループのデプロイと、データセットとMLモデルを継続的に進化させるALFインスタンスのメンテナンスに使用できるコンポーネントを提供する。
その結果,高速(100Gb/s)ネットワークのIPフローに基づく解析が可能となった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent network traffic classification methods benefitfrom machine learning
(ML) technology. However, there aremany challenges due to use of ML, such as:
lack of high-qualityannotated datasets, data-drifts and other effects causing
aging ofdatasets and ML models, high volumes of network traffic etc. Thispaper
argues that it is necessary to augment traditional workflowsof ML
training&deployment and adapt Active Learning concepton network traffic
analysis. The paper presents a novel ActiveLearning Framework (ALF) to address
this topic. ALF providesprepared software components that can be used to deploy
an activelearning loop and maintain an ALF instance that continuouslyevolves a
dataset and ML model automatically. The resultingsolution is deployable for IP
flow-based analysis of high-speed(100 Gb/s) networks, and also supports
research experiments ondifferent strategies and methods for annotation,
evaluation, datasetoptimization, etc. Finally, the paper lists some research
challengesthat emerge from the first experiments with ALF in practice.
- Abstract（参考訳）: 機械学習(ML)技術を利用した最近のネットワークトラフィック分類手法
しかし、MLの使用には、高品質なアノテートデータセットの欠如、データドリフト、データセットやMLモデルの老朽化を引き起こすその他の影響、ネットワークトラフィックの量など、多くの課題がある。
この論文は、mlトレーニングとデプロイの従来のワークフローを強化し、アクティブラーニングの概念をネットワークトラフィック分析に適用する必要があると主張している。
この話題に対処するための新しいActiveLearning Framework(ALF)を提案する。
ALFはアクティブラーニングループのデプロイと、データセットとMLモデルを継続的に進化させるALFインスタンスのメンテナンスに使用可能な、準備済みのソフトウェアコンポーネントを提供する。
結果として得られる解法は、高速(100 Gb/s)ネットワークのIPフロー解析に利用でき、また、アノテーション、評価、データセット最適化などの異なる戦略や方法に関する研究実験もサポートする。
最後に、ALFを使った最初の実験から生じるいくつかの研究課題をリストアップする。
関連論文リスト
- Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳（メタデータ） (2023-09-11T14:16:37Z) - Active Transfer Prototypical Network: An Efficient Labeling Algorithm
for Time-Series Data [1.7205106391379026]
本稿では,プロトタイプネットワーク(ProtoNet)をALイテレーションに組み込むことで,トレードオフ問題に対処する新しいFew-Shot Learning(FSL)ベースのALフレームワークを提案する。
このフレームワークは、UCI HAR/HAPTデータセットと現実世界のブレーキ操作データセットに基づいて検証された。
学習性能は、両方のデータセットにおける従来のALアルゴリズムを大幅に上回り、それぞれ10%と5%のラベル付け作業で90%の分類精度を達成した。
論文 参考訳（メタデータ） (2022-09-28T16:14:40Z) - ALBench: A Framework for Evaluating Active Learning in Object Detection [102.81795062493536]
本稿では、オブジェクト検出におけるアクティブラーニングを評価するために、ALBenchという名前のアクティブラーニングベンチマークフレームワークをコントリビュートする。
自動深層モデルトレーニングシステム上で開発されたこのALBenchフレームワークは、使いやすく、さまざまなアクティブな学習アルゴリズムと互換性があり、同じトレーニングおよびテストプロトコルを保証する。
論文 参考訳（メタデータ） (2022-07-27T07:46:23Z) - Man versus Machine: AutoML and Human Experts' Role in Phishing Detection [4.124446337711138]
本稿では,10種類のフィッシングデータセット上での6つの最先端AutoMLフレームワークのパフォーマンスを比較した。
以上の結果から,AutoMLベースのモデルでは,複雑な分類タスクにおいて,手作業で開発した機械学習モデルよりも優れていることが示唆された。
論文 参考訳（メタデータ） (2021-08-27T09:26:20Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Active Learning for Network Traffic Classification: A Technical Survey [1.942265343737899]
本研究では、アクティブラーニング(AL)と呼ばれるMLのアクティブな形態の適用性について検討し、多数のラベル付きサンプルの必要性を低減させる。
本研究はまず,NTCにおけるML手法の活用分野における文献調査とともに,NTCとその基礎的課題について概説する。
さらに,NTCにALを使用する際の課題とオープンな課題について論じる。
論文 参考訳（メタデータ） (2021-06-13T06:37:50Z) - 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) - Bayesian active learning for production, a systematic study and a
reusable library [85.32971950095742]
本稿では,現在のアクティブラーニング技術の主な欠点について分析する。
実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。
部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
論文 参考訳（メタデータ） (2020-06-17T14:51:11Z) - Adaptation Strategies for Automated Machine Learning on Evolving Data [7.843067454030999]
本研究は,概念ドリフトなどのデータストリーム課題がAutoML手法の性能に及ぼす影響を理解することを目的とする。
本稿では,6つの概念ドリフト適応戦略を提案し,それらの有効性を異なるAutoMLアプローチで評価する。
論文 参考訳（メタデータ） (2020-06-09T14:29:16Z) - Federated Learning in Vehicular Networks [41.89469856322786]
フェデレートラーニング(FL)フレームワークは、トランスミッションオーバーヘッドを減らすことを目的として、効率的なツールとして導入された。
本稿では,車載ネットワークアプリケーションにおける一元学習(CL)によるFLを用いたインテリジェント交通システムの構築について検討する。
データラベリングやモデルトレーニングといった学習の観点からも,コミュニケーションの観点からも,データレート,信頼性,送信オーバーヘッド,プライバシ,リソース管理といった面から,大きな課題を識別する。
論文 参考訳（メタデータ） (2020-06-02T06:32:59Z)
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。