論文の概要: AutoML4ETC: Automated Neural Architecture Search for Real-World
Encrypted Traffic Classification
- arxiv url: http://arxiv.org/abs/2308.02182v3
- Date: Fri, 13 Oct 2023 06:51:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 17:13:41.460919
- Title: AutoML4ETC: Automated Neural Architecture Search for Real-World
Encrypted Traffic Classification
- Title(参考訳): AutoML4ETC: リアルタイム暗号化トラフィック分類のためのニューラルネットワークの自動検索
- Authors: Navid Malekghaini, Elham Akbari, Mohammad A. Salahuddin, Noura Limam,
Raouf Boutaba, Bertrand Mathieu, Stephanie Moteau, Stephane Tuffin
- Abstract要約: AutoML4ETCは、暗号化トラフィック分類のための効率的で高性能なニューラルアーキテクチャを自動設計する新しいツールである。
検索空間上の異なる検索戦略により、AutoML4ETCは、最先端の暗号化トラフィック分類器よりも優れたニューラルネットワークを生成する。
より正確なことに加えて、AutoML4ETCのアーキテクチャはパラメータの数に関してはるかに効率的で軽量である。
- 参考スコア(独自算出の注目度): 25.210244920278466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning (DL) has been successfully applied to encrypted network traffic
classification in experimental settings. However, in production use, it has
been shown that a DL classifier's performance inevitably decays over time.
Re-training the model on newer datasets has been shown to only partially
improve its performance. Manually re-tuning the model architecture to meet the
performance expectations on newer datasets is time-consuming and requires
domain expertise. We propose AutoML4ETC, a novel tool to automatically design
efficient and high-performing neural architectures for encrypted traffic
classification. We define a novel, powerful search space tailored specifically
for the early classification of encrypted traffic using packet header bytes. We
show that with different search strategies over our search space, AutoML4ETC
generates neural architectures that outperform the state-of-the-art encrypted
traffic classifiers on several datasets, including public benchmark datasets
and real-world TLS and QUIC traffic collected from the Orange mobile network.
In addition to being more accurate, AutoML4ETC's architectures are
significantly more efficient and lighter in terms of the number of parameters.
Finally, we make AutoML4ETC publicly available for future research.
- Abstract(参考訳): deep learning (dl) は、実験環境での暗号化されたネットワークトラフィックの分類にうまく適用されている。
しかし, 製造において, DL分類器の性能は時間とともに必然的に低下することが示されている。
新たなデータセットでモデルを再トレーニングすることで、パフォーマンスが部分的に向上することが示されている。
新しいデータセットのパフォーマンス期待に応えるために、手動でモデルアーキテクチャを再調整するのは時間がかかり、ドメインの専門知識が必要です。
暗号化トラヒック分類のための効率良く高性能なニューラルアーキテクチャを自動設計する新しいツールであるautoml4etcを提案する。
パケットヘッダバイトを用いた暗号化トラフィックの早期分類に特化して,新しい強力な検索空間を定義する。
検索空間上の異なる検索戦略により、AutoML4ETCは、Orangeモバイルネットワークから収集された公開ベンチマークデータセットや実世界のTLS、QUICトラフィックを含む、いくつかのデータセット上で最先端の暗号化されたトラフィック分類器を上回る、ニューラルネットワークを生成する。
より正確なことに加えて、AutoML4ETCのアーキテクチャはパラメータの数に関してはるかに効率的で軽量である。
最後に、将来の研究のためにAutoML4ETCを公開します。
関連論文リスト
- AutoEn: An AutoML method based on ensembles of predefined Machine
Learning pipelines for supervised Traffic Forecasting [1.6242924916178283]
交通予測(TF)は、将来の交通状況を予測することで交通渋滞を緩和する能力により、関連性が高まっている。
TFは、モデル選択問題(MSP)として知られる機械学習パラダイムに大きな課題を提起する。
事前に定義されたMLパイプラインの集合からマルチクラス化アンサンブルを自動生成する,シンプルで効率的な手法であるAutoEnを紹介する。
論文 参考訳(メタデータ) (2023-03-19T18:37:18Z) - AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph
Neural Networks [75.11008617118908]
AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。
本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
論文 参考訳(メタデータ) (2023-03-14T07:23:16Z) - Big Data Analytics for Network Level Short-Term Travel Time Prediction
with Hierarchical LSTM [0.0]
本稿では,Caltrans Performance Measurement System (PeMS) による大規模走行時間データセットを利用する。
大量のデータの課題を克服するために、ビッグデータ分析エンジンのApache SparkとApache MXNetがデータラングリングとモデリングに使用される。
階層型LSTMモデルは、ネットワークレベルの移動時間の空間的時間的相関を捉えるために、異なる時間スケールでの依存関係を考慮できる。
論文 参考訳(メタデータ) (2022-01-15T05:25:03Z) - A First Look at Class Incremental Learning in Deep Learning Mobile
Traffic Classification [68.11005070665364]
インクリメンタルラーニング(IL)技術を使って、モデルに新しいクラスをフルリトレーニングせずに追加し、モデルのアップデートサイクルを高速化します。
iCarlはアートILメソッドのステートであり、MIRAGE-2019は40のAndroidアプリからのトラフィックを持つパブリックデータセットである。
解析によってその初期段階が明らかになっているにもかかわらず、IL技術は自動DLベースの交通分析システムへのロードマップに関する有望な研究分野である。
論文 参考訳(メタデータ) (2021-07-09T14:28:16Z) - AutoFlow: Learning a Better Training Set for Optical Flow [62.40293188964933]
AutoFlowは、光学フローのトレーニングデータをレンダリングする手法である。
AutoFlowはPWC-NetとRAFTの両方の事前トレーニングにおいて最先端の精度を実現する。
論文 参考訳(メタデータ) (2021-04-29T17:55:23Z) - NASirt: AutoML based learning with instance-level complexity information [0.0]
我々は、スペクトルデータセットの高精度CNNアーキテクチャを見つけるAutoML手法であるNASirtを提案する。
我々の手法は、ほとんどの場合、ベンチマークよりも優れた性能を示し、平均精度は97.40%に達する。
論文 参考訳(メタデータ) (2020-08-26T22:21:44Z) - Towards Automated Neural Interaction Discovery for Click-Through Rate
Prediction [64.03526633651218]
CTR(Click-Through Rate)予測は、レコメンダシステムにおいて最も重要な機械学習タスクの1つである。
本稿では,AutoCTR と呼ばれる CTR 予測のための自動インタラクションアーキテクチャ探索フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-29T04:33:01Z) - Auto-PyTorch Tabular: Multi-Fidelity MetaLearning for Efficient and
Robust AutoDL [53.40030379661183]
Auto-PyTorchは、完全に自動化されたディープラーニング(AutoDL)を実現するフレームワーク
ディープニューラルネットワーク(DNN)のウォームスタートとアンサンブルのためのマルチフィデリティ最適化とポートフォリオ構築を組み合わせる。
Auto-PyTorchは、いくつかの最先端の競合製品よりもパフォーマンスが良いことを示す。
論文 参考訳(メタデータ) (2020-06-24T15:15:17Z) - AutoFIS: Automatic Feature Interaction Selection in Factorization Models
for Click-Through Rate Prediction [75.16836697734995]
自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。
AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。
AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
論文 参考訳(メタデータ) (2020-03-25T06:53:54Z) - Tidying Deep Saliency Prediction Architectures [6.613005108411055]
本稿では,入力特徴,マルチレベル統合,読み出しアーキテクチャ,損失関数の4つの主成分を同定する。
我々はSimpleNet と MDNSal という2つの新しいエンドツーエンドアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-03-10T19:34:49Z)
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。