論文の概要: Improving the network traffic classification using the Packet Vision approach

• arxiv url: http://arxiv.org/abs/2412.19360v1
• Date: Thu, 26 Dec 2024 21:56:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:29:12.045234
• Title: Improving the network traffic classification using the Packet Vision approach
• Title（参考訳）: Packet Vision アプローチによるネットワークトラフィック分類の改善
• Authors: Rodrigo Moreira, Larissa Ferreira Rodrigues, Pedro Frosi Rosa, Flávio de Oliveira Silva,
• Abstract要約: Packet Visionは、ヘッダとペイロードの両方を考慮して、パケットの生データからイメージを構築することができる方法である。 当社のアプローチは、生データパケットを画像に変換することにより、セキュリティとプライバシを提供することにより、最先端技術に見いだされるものを抜粋する。
• 参考スコア（独自算出の注目度）: 0.16070833439280313
• License:
• Abstract: The network traffic classification allows improving the management, and the network services offer taking into account the kind of application. The future network architectures, mainly mobile networks, foresee intelligent mechanisms in their architectural frameworks to deliver application-aware network requirements. The potential of convolutional neural networks capabilities, widely exploited in several contexts, can be used in network traffic classification. Thus, it is necessary to develop methods based on the content of packets transforming it into a suitable input for CNN technologies. Hence, we implemented and evaluated the Packet Vision, a method capable of building images from packets raw-data, considering both header and payload. Our approach excels those found in state-of-the-art by delivering security and privacy by transforming the raw-data packet into images. Therefore, we built a dataset with four traffic classes evaluating the performance of three CNNs architectures: AlexNet, ResNet-18, and SqueezeNet. Experiments showcase the Packet Vision combined with CNNs applicability and suitability as a promising approach to deliver outstanding performance in classifying network traffic.
• Abstract（参考訳）: ネットワークトラフィック分類は、管理の改善を可能にし、ネットワークサービスがアプリケーションの種類を考慮して提供する。 将来のネットワークアーキテクチャ、主にモバイルネットワークは、アプリケーション対応ネットワーク要求を提供するためのアーキテクチャフレームワークにおけるインテリジェントなメカニズムを予見する。 畳み込みニューラルネットワーク機能の可能性は、様々な文脈で広く利用されており、ネットワークトラフィックの分類に利用することができる。 したがって、パケットの内容に基づいてCNN技術に適した入力に変換する手法を開発する必要がある。 そこで我々は,ヘッダとペイロードの両方を考慮して,パケットの生データから画像を構築することのできるPacket Visionを実装,評価した。 当社のアプローチは、生データパケットを画像に変換することにより、セキュリティとプライバシを提供することにより、最先端技術に見いだされるものを抜粋する。 そこで、我々は、AlexNet、ResNet-18、SqueezeNetの3つのCNNアーキテクチャのパフォーマンスを評価する4つのトラフィッククラスを持つデータセットを構築した。 実験では、ネットワークトラフィックの分類において優れたパフォーマンスを実現するための有望なアプローチとして、パケットビジョンとCNNの適用性と適合性の組み合わせが紹介されている。

関連論文リスト

• 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)
• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• Visual Feature Encoding for GNNs on Road Networks [14.274582421372308]
  視覚バックボーンネットワークとグラフニューラルネットワークを組み合わせたアーキテクチャを提案する。 衛星画像の符号化により,オープンストリートマップ道路網上で道路型分類タスクを行う。 アーキテクチャによりさらに微調整が可能となり,事前学習により伝達学習のアプローチが評価される。
  論文  参考訳（メタデータ） (2022-03-02T15:37:50Z)
• Network Embedding via Deep Prediction Model [25.727377978617465]
  本稿では,深層予測モデルを用いて構造化ネットワーク上での転送挙動を捕捉するネットワーク埋め込みフレームワークを提案する。 ネットワーク構造埋め込み層は、Long Short-Term Memory NetworkやRecurrent Neural Networkなど、従来の深部予測モデルに付加される。 ソーシャルネットワーク, 引用ネットワーク, バイオメディカルネットワーク, 協調ネットワーク, 言語ネットワークなど, さまざまなデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2021-04-27T16:56:00Z)
• Firefly Neural Architecture Descent: a General Approach for Growing Neural Networks [50.684661759340145]
  firefly neural architecture descentは、ニューラルネットワークを漸進的かつ動的に成長させるための一般的なフレームワークである。 ホタルの降下は、より広く、より深くネットワークを柔軟に成長させ、正確だがリソース効率のよいニューラルアーキテクチャを学習するために応用できることを示す。 特に、サイズは小さいが、最先端の手法で学習したネットワークよりも平均精度が高いネットワークを学習する。
  論文  参考訳（メタデータ） (2021-02-17T04:47:18Z)
• Where2Act: From Pixels to Actions for Articulated 3D Objects [54.19638599501286]
  可動部を有する関節物体の押出しや引抜き等の基本動作に関連する高度に局所化された動作可能な情報を抽出する。 シミュレーションでネットワークをトレーニングできるオンラインデータサンプリング戦略を備えた学習から対話までのフレームワークを提案します。 私たちの学習モデルは、現実世界のデータにも転送します。
  論文  参考訳（メタデータ） (2021-01-07T18:56:38Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Embedded Encoder-Decoder in Convolutional Networks Towards Explainable AI [0.0]
  本稿では,刺激の視覚的特徴を表す新しい説明可能な畳み込みニューラルネットワーク(XCNN)を提案する。 CIFAR-10, Tiny ImageNet, MNISTデータセットを用いた実験結果から, 提案アルゴリズム (XCNN) をCNNで説明可能なものにすることに成功した。
  論文  参考訳（メタデータ） (2020-06-19T15:49:39Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)
• Curriculum By Smoothing [52.08553521577014]
  畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。 アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。 トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
  論文  参考訳（メタデータ） (2020-03-03T07:27:44Z)

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。