論文の概要: Time-Distributed Feature Learning for Internet of Things Network Traffic Classification
- arxiv url: http://arxiv.org/abs/2409.05096v1
- Date: Sun, 8 Sep 2024 13:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-10 19:20:20.226802
- Title: Time-Distributed Feature Learning for Internet of Things Network Traffic Classification
- Title（参考訳）: モノのインターネットトラフィック分類のための時間分散特徴学習
- Authors: Yoga Suhas Kuruba Manjunath, Sihao Zhao, Xiao-Ping Zhang, Lian Zhao,
- Abstract要約: 深層学習に基づくネットワークトラフィック分類(NTC)のための,効率的で包括的特徴抽出手法を提案する。
我々はNTCの精度を最大化するために時間分散特徴学習を用いる。
提案手法は, 擬似時間的特徴と時空間的特徴がNTCの頑健性と性能を著しく向上させることを示す。
- 参考スコア（独自算出の注目度）: 17.941349488134325
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning-based network traffic classification (NTC) techniques, including conventional and class-of-service (CoS) classifiers, are a popular tool that aids in the quality of service (QoS) and radio resource management for the Internet of Things (IoT) network. Holistic temporal features consist of inter-, intra-, and pseudo-temporal features within packets, between packets, and among flows, providing the maximum information on network services without depending on defined classes in a problem. Conventional spatio-temporal features in the current solutions extract only space and time information between packets and flows, ignoring the information within packets and flow for IoT traffic. Therefore, we propose a new, efficient, holistic feature extraction method for deep-learning-based NTC using time-distributed feature learning to maximize the accuracy of the NTC. We apply a time-distributed wrapper on deep-learning layers to help extract pseudo-temporal features and spatio-temporal features. Pseudo-temporal features are mathematically complex to explain since, in deep learning, a black box extracts them. However, the features are temporal because of the time-distributed wrapper; therefore, we call them pseudo-temporal features. Since our method is efficient in learning holistic-temporal features, we can extend our method to both conventional and CoS NTC. Our solution proves that pseudo-temporal and spatial-temporal features can significantly improve the robustness and performance of any NTC. We analyze the solution theoretically and experimentally on different real-world datasets. The experimental results show that the holistic-temporal time-distributed feature learning method, on average, is 13.5% more accurate than the state-of-the-art conventional and CoS classifiers.
- Abstract（参考訳）: 従来のCoS(Class-of-Service)分類器を含むNTC(Deep Learning-based Network Traffic Classification)技術は、QoS(Quality of Service)とIoT(Internet of Things)ネットワークのための無線リソース管理を支援する一般的なツールである。
全体的時間的特徴は、パケット内、パケット間、フロー間の相互、内部、疑似の時間的特徴から成り、問題のクラスに依存しないネットワークサービスの最大情報を提供する。
現在のソリューションの従来の時空間機能は、パケットとフローの間の空間情報と時間情報のみを抽出し、パケット内の情報を無視し、IoTトラフィックのためのフローを無視する。
そこで本研究では,NTCの精度を最大化するために,時間分散特徴学習を用いた深層学習に基づくNTCのための,効率的で包括的特徴抽出手法を提案する。
深層学習層に時間分散ラッパーを適用して,擬似時間的特徴と時空間的特徴を抽出する。
擬時相の特徴は、深層学習においてブラックボックスがそれらを抽出するため、数学的に複雑である。
しかし,これらは時間分散ラッパーのため時間的特徴であり,擬似時間的特徴と呼ぶ。
本手法は時間的全体像の学習に有効であるため,従来法とCoS NTCの両方に拡張することができる。
提案手法は, 擬似時間的特徴と時空間的特徴がNTCの頑健性と性能を著しく向上させることを示す。
実世界の異なるデータセットに基づいて理論的および実験的に解を解析する。
実験結果から, 時間的時間分散特徴学習法は平均13.5%の精度で, 従来のCoS分類法よりも精度が高いことがわかった。
関連論文リスト
- Estimating Post-Synaptic Effects for Online Training of Feed-Forward
SNNs [0.27016900604393124]
スパイクニューラルネットワーク(SNN)におけるオンライン学習の実現は、イベントベースのモデルを開発する上で重要なステップである。
本稿では, フィードフォワードSNNのトレーニングのためのOTPE(Online Training with Postsynaptic Estimates)を提案する。
本研究では, 時間的効果の新たな近似法を用いて, マルチ層ネットワークのスケーリング改善を示す。
論文 参考訳（メタデータ） (2023-11-07T16:53:39Z) - Disentangling Spatial and Temporal Learning for Efficient Image-to-Video
Transfer Learning [59.26623999209235]
ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。
DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。
5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
論文 参考訳（メタデータ） (2023-09-14T17:58:33Z) - Spatio-Temporal Branching for Motion Prediction using Motion Increments [55.68088298632865]
HMP(Human Motion Prediction)はその多種多様な応用により、人気のある研究トピックとして浮上している。
従来の手法は手作りの機能と機械学習技術に依存している。
HMPのためのインクリメンタル情報を用いた時空間分岐ネットワークを提案する。
論文 参考訳（メタデータ） (2023-08-02T12:04:28Z) - Deeply-Coupled Convolution-Transformer with Spatial-temporal
Complementary Learning for Video-based Person Re-identification [91.56939957189505]
本稿では,高性能ビデオベース Re-ID のための新しい時空間補完学習フレームワークである Deeply-Coupled Convolution-Transformer (DCCT) を提案する。
私たちのフレームワークは、ほとんどの最先端のメソッドよりも優れたパフォーマンスを実現できます。
論文 参考訳（メタデータ） (2023-04-27T12:16:44Z) - Multi-scale temporal network for continuous sign language recognition [10.920363368754721]
連続手話認識は,手話データの時間的順序に関する正確なアノテーションがないため,困難な研究課題である。
本稿では,より正確な時間的特徴を抽出するマルチスケール時間的ネットワーク(MSTNet)を提案する。
2つの公開データセットによる実験結果から,従来の知識を使わずに手話の特徴をエンドツーエンドで効果的に抽出できることが示されている。
論文 参考訳（メタデータ） (2022-04-08T06:14:22Z) - Online Attentive Kernel-Based Temporal Difference Learning [13.94346725929798]
オンライン強化学習(RL)はその高速学習能力とデータ効率の向上により注目されている。
オンラインRLは、しばしば複雑な値関数近似(VFA)と破滅的な干渉に悩まされる。
2時間スケール最適化を用いたオンラインカーネルに基づく時間差分法(OAKTD)を提案する。
論文 参考訳（メタデータ） (2022-01-22T14:47:10Z) - Temporal Memory Relation Network for Workflow Recognition from Surgical
Video [53.20825496640025]
本研究では, 長期および多スケールの時間パターンを関連づける, エンドツーエンドの時間メモリ関係ネットワーク (TMNet) を提案する。
我々はこのアプローチを2つのベンチマーク手術ビデオデータセットで広範囲に検証した。
論文 参考訳（メタデータ） (2021-03-30T13:20:26Z) - A Temporal Kernel Approach for Deep Learning with Continuous-time
Information [18.204325860752768]
RNN、因果CNN、注意メカニズムなどのシーケンスディープラーニングモデルは、連続時間情報を容易に消費しません。
時間的データの離散化は、単純な連続時間プロセスにおいても不整合を引き起こす。
我々は,ディープラーニングツールを用いた連続時間システムの特徴付け手法を提案する。
論文 参考訳（メタデータ） (2021-03-28T20:13:53Z) - Multivariate Time Series Classification Using Spiking Neural Networks [7.273181759304122]
スパイクニューラルネットワークは低消費電力を可能にするため注目されている。
本稿では,時系列をスパース時空間スパイクパターンに変換する符号化方式を提案する。
空間時間パターンを分類する学習アルゴリズムも提案する。
論文 参考訳（メタデータ） (2020-07-07T15:24:01Z) - FMA-ETA: Estimating Travel Time Entirely Based on FFN With Attention [88.33372574562824]
フィードフォワードネットワーク(FFN, FFN, 複数要素自己認識(FMA-ETA)に基づく新しいフレームワークを提案する。
異なるカテゴリの特徴に対処し,情報を意図的に集約する,新しい多要素自己認識機構を提案する。
実験の結果、FMA-ETAは予測精度において最先端の手法と競合し、推論速度は大幅に向上した。
論文 参考訳（メタデータ） (2020-06-07T08:10:47Z) - Rectified Linear Postsynaptic Potential Function for Backpropagation in
Deep Spiking Neural Networks [55.0627904986664]
スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。
本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
論文 参考訳（メタデータ） (2020-03-26T11:13:07Z)
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。