論文の概要: FG-SAT: Efficient Flow Graph for Encrypted Traffic Classification under Environment Shifts
- arxiv url: http://arxiv.org/abs/2408.14122v1
- Date: Mon, 26 Aug 2024 09:11:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-27 14:33:14.525724
- Title: FG-SAT: Efficient Flow Graph for Encrypted Traffic Classification under Environment Shifts
- Title（参考訳）: FG-SAT:環境変化下における暗号化トラフィック分類のための効率的なフローグラフ
- Authors: Susu Cui, Xueying Han, Dongqi Han, Zhiliang Wang, Weihang Wang, Yun Li, Bo Jiang, Baoxu Liu, Zhigang Lu,
- Abstract要約: 暗号化されたトラフィック分類は、ネットワークのセキュリティと管理において重要な役割を果たす。
既存の手法では、トランスポート層機構とアプリケーションの間の重要なリンクを認識できない。
FG-SATは,環境変動を考慮した最初のエンドツーエンドのトラフィック解析手法である。
- 参考スコア（独自算出の注目度）: 19.76017462160707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Encrypted traffic classification plays a critical role in network security and management. Currently, mining deep patterns from side-channel contents and plaintext fields through neural networks is a major solution. However, existing methods have two major limitations: (1) They fail to recognize the critical link between transport layer mechanisms and applications, missing the opportunity to learn internal structure features for accurate traffic classification. (2) They assume network traffic in an unrealistically stable and singular environment, making it difficult to effectively classify real-world traffic under environment shifts. In this paper, we propose FG-SAT, the first end-to-end method for encrypted traffic analysis under environment shifts. We propose a key abstraction, the Flow Graph, to represent flow internal relationship structures and rich node attributes, which enables robust and generalized representation. Additionally, to address the problem of inconsistent data distribution under environment shifts, we introduce a novel feature selection algorithm based on Jensen-Shannon divergence (JSD) to select robust node attributes. Finally, we design a classifier, GraphSAT, which integrates GraphSAGE and GAT to deeply learn Flow Graph features, enabling accurate encrypted traffic identification. FG-SAT exhibits both efficient and robust classification performance under environment shifts and outperforms state-of-the-art methods in encrypted attack detection and application classification.
- Abstract（参考訳）: 暗号化されたトラフィック分類は、ネットワークのセキュリティと管理において重要な役割を果たす。
現在、ニューラルネットワークによるサイドチャネルの内容とプレーンテキストフィールドからの深いパターンのマイニングが主要なソリューションである。
しかし,既存の手法には,(1)輸送層機構とアプリケーション間の重要なリンクを認識できないこと,(2)正確な交通分類のための内部構造の特徴を学習する機会を欠いていること,の2つの大きな制限がある。
2) ネットワークトラフィックを非現実的に安定かつ特異な環境で仮定し, 環境シフトによる実世界のトラフィックを効果的に分類することは困難である。
本稿では,FG-SATを提案する。FG-SATは,環境変動を考慮した最初のエンドツーエンドのトラフィック解析手法である。
本研究では,フロー内部の関係構造とリッチノード属性を表現し,ロバストかつ一般化された表現を可能にするための重要な抽象化であるフローグラフを提案する。
さらに,環境変化に伴う不整合データ分散の問題に対処するために,Jensen-Shannon divergence (JSD) に基づく新しい特徴選択アルゴリズムを導入し,ロバストなノード属性を選択する。
最後に、GraphSAGEとGATを統合してFlow Graph機能を深く学習し、正確な暗号化トラフィック識別を可能にする分類器GraphSATを設計する。
FG-SATは、環境シフト下での効率的な分類性能とロバストな分類性能を示し、暗号化された攻撃検出とアプリケーション分類において最先端の手法より優れている。
関連論文リスト
- AdaRC: Mitigating Graph Structure Shifts during Test-Time [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。
AdaRCは,グラフの構造シフトに効果的かつ効率的な適応を意図した,革新的なフレームワークである。
論文 参考訳（メタデータ） (2024-10-09T15:15:40Z) - XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。
XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
論文 参考訳（メタデータ） (2024-08-27T01:14:34Z) - GASE: Graph Attention Sampling with Edges Fusion for Solving Vehicle Routing Problems [6.084414764415137]
車両のルーティング問題を解決するためにEdges Fusionフレームワークを用いた適応型グラフ注意サンプリングを提案する。
提案手法は,既存の手法を2.08%-6.23%上回り,より強力な一般化能力を示す。
論文 参考訳（メタデータ） (2024-05-21T03:33:07Z) - Applying Self-supervised Learning to Network Intrusion Detection for
Network Flows with Graph Neural Network [8.318363497010969]
本稿では,教師なし型ネットワークフローの特定のためのGNNの適用について検討する。
我々の知る限り、NIDSにおけるネットワークフローのマルチクラス分類のための最初のGNNベースの自己教師方式である。
論文 参考訳（メタデータ） (2024-03-03T12:34:13Z) - TFE-GNN: A Temporal Fusion Encoder Using Graph Neural Networks for
Fine-grained Encrypted Traffic Classification [35.211600580761726]
本稿では,PMI(point-wise mutual information)とテンポラルフュージョン(Temporal Fusion)というモデルに基づくバイトレベルのトラフィックグラフ構築手法を提案する。
特に,デュアル埋め込み層,GNNベースのトラヒックグラフエンコーダ,およびクロスゲート機能融合機構を設計する。
2つの実際のデータセットに対する実験結果から、TFE-GNNは、詳細な暗号化されたトラフィック分類タスクにおいて、最先端の複数の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-07-31T14:32:40Z) - Bandwidth-efficient distributed neural network architectures with
application to body sensor networks [73.02174868813475]
本稿では,分散ニューラルネットワークアーキテクチャを設計するための概念設計手法について述べる。
提案手法により,損失を最小限に抑えつつ,最大20倍の帯域幅削減が可能となることを示す。
本稿では,ウェアラブル脳-コンピュータインタフェースに焦点をあてるが,他のセンサネットワークアプリケーションにも適用できる。
論文 参考訳（メタデータ） (2022-10-14T12:35:32Z) - 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) - CGNN: Traffic Classification with Graph Neural Network [13.851922724661538]
本稿では,連鎖グラフ上で自動的に抽出された特徴に対してグラフ分類器を構築するグラフニューラルネットワークに基づくトラフィック分類手法を提案する。
CGNNは、アプリケーション分類における予測精度を23%から29%改善し、悪意のあるトラフィック分類では2%から37%改善し、暗号化されたトラフィック分類では同じ精度に達する。
論文 参考訳（メタデータ） (2021-10-19T04:10:07Z) - Cross-Domain Facial Expression Recognition: A Unified Evaluation
Benchmark and Adversarial Graph Learning [85.6386289476598]
我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。
我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-08-03T15:00:31Z) - Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。
さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2020-03-28T17:46:55Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z)
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。