論文の概要: Network Traffic Classification based on Single Flow Time Series Analysis

• arxiv url: http://arxiv.org/abs/2307.13434v1
• Date: Tue, 25 Jul 2023 12:00:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 17:15:19.386471
• Title: Network Traffic Classification based on Single Flow Time Series Analysis
• Title（参考訳）: 単フロー時系列解析に基づくネットワークトラフィック分類
• Authors: Josef Koumar and Karel Hynek and Tom\'a\v{s} \v{C}ejka
• Abstract要約: 本稿では,単一フロータイムシリーズの時系列解析に基づく交通特徴の新たなフロー拡張を提案する。 我々は,広く知られている15のデータセットを用いて,各種ネットワークトラフィック分類タスクのユーザビリティと特徴ベクトルの達成を実証した。
• 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: Network traffic monitoring using IP flows is used to handle the current challenge of analyzing encrypted network communication. Nevertheless, the packet aggregation into flow records naturally causes information loss; therefore, this paper proposes a novel flow extension for traffic features based on the time series analysis of the Single Flow Time series, i.e., a time series created by the number of bytes in each packet and its timestamp. We propose 69 universal features based on the statistical analysis of data points, time domain analysis, packet distribution within the flow timespan, time series behavior, and frequency domain analysis. We have demonstrated the usability and universality of the proposed feature vector for various network traffic classification tasks using 15 well-known publicly available datasets. Our evaluation shows that the novel feature vector achieves classification performance similar or better than related works on both binary and multiclass classification tasks. In more than half of the evaluated tasks, the classification performance increased by up to 5\%.
• Abstract（参考訳）: IPフローを用いたネットワークトラフィック監視は、暗号化されたネットワーク通信を解析する現在の課題に対処するために用いられる。 しかし,フローレコードへのパケット集約は自然に情報損失を引き起こすため,本論文では,単一フロータイムシリーズの時系列解析,すなわち,各パケットのバイト数とそのタイムスタンプによって生成される時系列に基づいて,トラフィック特徴の新たなフロー拡張を提案する。 本研究では,データポイントの統計解析,時間領域解析,フロー時間内のパケット分布,時系列動作,周波数領域解析に基づく69の普遍的な特徴を提案する。 我々は15の有名な公開データセットを用いて,ネットワークトラフィック分類タスクにおける特徴ベクトルのユーザビリティと普遍性を実証した。 評価の結果,新しい特徴ベクトルは,二分法および多クラス分類タスクの関連作業と類似あるいは類似した分類性能が得られることがわかった。 評価したタスクの半分以上において,分類性能は最大5\%向上した。

関連論文リスト

• Capturing Temporal Components for Time Series Classification [5.70772577110828]
  本研究では,逐次データから抽出した統計的コヒーレントな成分に基づいて学習したテキスト合成表現学習手法を提案する。 マルチスケールな変更空間に基づいて、シーケンシャルデータを類似の統計特性を持つチャンクに分割する教師なしの手法を提案する。 シーケンスベースのエンコーダモデルをマルチタスク設定でトレーニングし、時系列分類のための時間成分から合成表現を学習する。
  論文  参考訳（メタデータ） (2024-06-20T16:15:21Z)
• TimeSiam: A Pre-Training Framework for Siamese Time-Series Modeling [67.02157180089573]
  時系列事前トレーニングは、最近、ラベルのコストを削減し、下流の様々なタスクに利益をもたらす可能性があるとして、広く注目を集めている。 本稿では,シームズネットワークに基づく時系列の簡易かつ効果的な自己教師型事前学習フレームワークとしてTimeSiamを提案する。
  論文  参考訳（メタデータ） (2024-02-04T13:10:51Z)
• Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
  データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。 階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
  論文  参考訳（メタデータ） (2023-05-11T10:30:35Z)
• HyperTime: Implicit Neural Representation for Time Series [131.57172578210256]
  暗黙の神経表現(INR)は、データの正確で解像度に依存しないエンコーディングを提供する強力なツールとして最近登場した。 本稿では、INRを用いて時系列の表現を分析し、再構成精度とトレーニング収束速度の点で異なるアクティベーション関数を比較した。 本稿では,INRを利用して時系列データセット全体の圧縮潜在表現を学習するハイパーネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-08-11T14:05:51Z)
• Novel Features for Time Series Analysis: A Complex Networks Approach [62.997667081978825]
  時系列データは、気候、経済、医療などいくつかの領域で広く使われている。 最近の概念的アプローチは、複雑なネットワークへの時系列マッピングに依存している。 ネットワーク分析は、異なるタイプの時系列を特徴付けるのに使うことができる。
  論文  参考訳（メタデータ） (2021-10-11T13:46:28Z)
• Time Series Analysis via Network Science: Concepts and Algorithms [62.997667081978825]
  本稿では,時系列をネットワークに変換する既存のマッピング手法について概観する。 我々は、主要な概念的アプローチを説明し、権威的な参照を提供し、統一された表記法と言語におけるそれらの利点と限界について洞察を与える。 ごく最近の研究だが、この研究領域には大きな可能性を秘めており、今後の研究の道を開くことを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T13:33:18Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Learnable Dynamic Temporal Pooling for Time Series Classification [22.931314501371805]
  本稿では,セグメントレベルの特徴を集約することにより,隠れ表現の時間的サイズを低減する動的時間的プーリング(DTP)手法を提案する。 時系列全体の分割を複数のセグメントに分割するために,動的時間ゆがみ(dtw)を用いて各時間点を時間順に整列し,セグメントの原型的特徴を示す。 完全連結層と組み合わせたDTP層は、入力時系列内の時間的位置を考慮したさらなる識別的特徴を抽出するのに役立つ。
  論文  参考訳（メタデータ） (2021-04-02T08:58:44Z)
• Graph Attention Recurrent Neural Networks for Correlated Time Series Forecasting -- Full version [16.22449727526222]
  時間とともに複数のエンティティが相互に相互作用し、そのエンティティの時間変化状態が相関時間系列として表されるような設定を検討する。 相関時系列の正確な予測を可能にするために,グラフ注意再帰ニューラルネットワークを提案する。 大規模実世界の時系列データを用いた実験により,提案手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2021-03-19T12:15:37Z)
• Gated Res2Net for Multivariate Time Series Analysis [8.685598820025383]
  本稿では、ゲート機構とRes2Netの思考に基づくバックボーン畳み込みニューラルネットワークを提案する。 GRes2Netは最先端のメソッドよりもパフォーマンスが優れており、優位性を示している。
  論文  参考訳（メタデータ） (2020-09-19T01:45:41Z)

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。