Fugu-MT 論文翻訳(概要): Estimating the Number of HTTP/3 Responses in QUIC Using Deep Learning

論文の概要: Estimating the Number of HTTP/3 Responses in QUIC Using Deep Learning

arxiv url: http://arxiv.org/abs/2410.06140v1
Date: Tue, 8 Oct 2024 15:40:22 GMT
ステータス: 処理完了
システム内更新日: 2024-11-01 11:00:50.258807
Title: Estimating the Number of HTTP/3 Responses in QUIC Using Deep Learning
Title（参考訳）: ディープラーニングを用いたQUICにおけるHTTP/3応答数の推定
Authors: Barak Gahtan, Robert J. Shahla, Reuven Cohen, Alex M. Bronstein,
Abstract要約: 本稿では、所定のQUIC接続におけるHTTP/3応答数をオブザーバによって推定する新しい方法を提案する。提案手法はQUIC接続トレースを一連の画像に変換し,機械学習(ML)モデルを用いて応答数を予測する。このスキームは、既知のWebサーバ設定と未知のWebサーバ設定の両方において、最大97%の累積精度と、未知のQUICトレースにおけるレスポンスの総数を推定する92%の精度を達成する。
参考スコア（独自算出の注目度）: 7.795761092358769
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: QUIC, a new and increasingly used transport protocol, enhances TCP by providing better security, performance, and features like stream multiplexing. These features, however, also impose challenges for network middle-boxes that need to monitor and analyze web traffic. This paper proposes a novel solution for estimating the number of HTTP/3 responses in a given QUIC connection by an observer. This estimation reveals server behavior, client-server interactions, and data transmission efficiency, which is crucial for various applications such as designing a load balancing solution and detecting HTTP/3 flood attacks. The proposed scheme transforms QUIC connection traces into a sequence of images and trains machine learning (ML) models to predict the number of responses. Then, by aggregating images of a QUIC connection, an observer can estimate the total number of responses. As the problem is formulated as a discrete regression problem, we introduce a dedicated loss function. The proposed scheme is evaluated on a dataset of over seven million images, generated from $100,000$ traces collected from over $44,000$ websites over a four-month period, from various vantage points. The scheme achieves up to 97\% cumulative accuracy in both known and unknown web server settings and 92\% accuracy in estimating the total number of responses in unseen QUIC traces.
Abstract（参考訳）: QUICは、新しい、そしてますます使われるトランスポートプロトコルであり、より優れたセキュリティ、パフォーマンス、ストリーム多重化のような機能を提供することでTCPを強化する。しかしこれらの機能は、Webトラフィックの監視と分析を必要とするネットワークミドルボックスにも課題を課している。本稿では、所定のQUIC接続におけるHTTP/3応答数をオブザーバによって推定する新しい方法を提案する。この推定では、サーバの振る舞い、クライアントとサーバのインタラクション、データ転送の効率が明らかになり、これはロードバランシングソリューションの設計やHTTP/3の洪水攻撃の検出など、さまざまなアプリケーションにとって不可欠である。提案手法はQUIC接続トレースを一連の画像に変換し,機械学習(ML)モデルを用いて応答数を予測する。そして、QUIC接続の画像を集約することにより、オブザーバはレスポンスの総数を推定することができる。この問題は離散回帰問題として定式化されるので、専用損失関数を導入する。提案手法は,4ヶ月間に44,000ドル以上のウェブサイトから収集された10万ドル以上のトレースから得られた700万以上の画像のデータセットに基づいて評価される。このスキームは、既知のWebサーバ設定と未知のWebサーバ設定の両方において最大97 %の累積精度と、未知のQUICトレースにおけるレスポンスの総数の推定における92 %の精度を達成する。

関連論文リスト

NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文参考訳（メタデータ） (2024-12-30T00:47:49Z)
Unlearn and Burn: Adversarial Machine Unlearning Requests Destroy Model Accuracy [65.80757820884476]
未学習システムのデプロイにおいて、重要で未調査の脆弱性を公開しています。本稿では,訓練セットに存在しないデータに対して,逆学習要求を送信することにより,攻撃者がモデル精度を劣化させることができる脅威モデルを提案する。我々は、未学習要求の正当性を検出するための様々な検証メカニズムを評価し、検証の課題を明らかにする。
論文参考訳（メタデータ） (2024-10-12T16:47:04Z)
Exploring QUIC Dynamics: A Large-Scale Dataset for Encrypted Traffic Analysis [7.795761092358769]
VisQUICは10万以上のラベル付きQUICトレースと対応するSSLキーのデータセットである。トレースの視覚的表現を生成することにより、高度な機械学習(ML)アプリケーションと、暗号化されたQUICトラフィックの詳細な分析を容易にする。我々のデータセットはQUICとHTTP/3プロトコルに関する包括的な研究を可能にし、暗号化されたトラフィック分析ツールの開発を支援する。
論文参考訳（メタデータ） (2024-09-30T10:50:12Z)
ConvLSTMTransNet: A Hybrid Deep Learning Approach for Internet Traffic Telemetry [0.0]
本稿では,時系列予測のためのハイブリッドディープラーニングモデルConvLSTMTransNetを提案する。以上の結果から,ConvLSTMTransNetは予測精度において,ベースラインモデルよりも約10%優れていた。
論文参考訳（メタデータ） (2024-09-20T03:12:57Z)
Lens: A Foundation Model for Network Traffic [19.3652490585798]
Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。 Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
論文参考訳（メタデータ） (2024-02-06T02:45:13Z)
Application-layer Characterization and Traffic Analysis for Encrypted QUIC Transport Protocol [14.40132345175898]
本稿では,QUICパケットを復号することなくアプリケーションレベルのトラフィック特性を推定する新しいルールベースの手法を提案する。提案アルゴリズムは,そのサイズ,タイミング,方向情報に基づいて,関連するネットワークトラフィックを解析する。推論されたHTTP属性は、アプリケーション層サービスのQoEを評価し、暗号化QUIC接続内のトラフィック分類のためのサービスカテゴリを特定するために使用することができる。
論文参考訳（メタデータ） (2023-10-10T20:09:46Z)
Pushing the Limits of Asynchronous Graph-based Object Detection with Event Cameras [62.70541164894224]
低計算を維持しながら、そのようなモデルの深さと複雑さを拡大できるアーキテクチャ選択をいくつか導入する。我々の手法は、密度の高いグラフニューラルネットワークよりも3.7倍高速に動作し、前方通過はわずか8.4msである。
論文参考訳（メタデータ） (2022-11-22T15:14:20Z)
ET-BERT: A Contextualized Datagram Representation with Pre-training Transformers for Encrypted Traffic Classification [9.180725486824118]
トランスフォーマー(ET-BERT)からの暗号化トラフィック双方向表現と呼ばれる新しいトラフィック表現モデルを提案する。事前訓練されたモデルは、少数のタスク固有のラベル付きデータに基づいて微調整し、5つの暗号化されたトラフィック分類タスクで最先端のパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2022-02-13T14:54:48Z)
Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
論文参考訳（メタデータ） (2020-11-16T06:51:55Z)
Object Tracking through Residual and Dense LSTMs [67.98948222599849]
LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
論文参考訳（メタデータ） (2020-06-22T08:20:17Z)
Taurus: A Data Plane Architecture for Per-Packet ML [59.1343317736213]
本稿では,線数推論のためのデータプレーンであるTaurusの設計と実装について述べる。 Taurus スイッチ ASIC の評価は,Taurus がサーバベースコントロールプレーンよりも桁違いに高速に動作することを示す。
論文参考訳（メタデータ） (2020-02-12T09:18:36Z)

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。