論文の概要: Revolutionizing Encrypted Traffic Classification with MH-Net: A Multi-View Heterogeneous Graph Model
- arxiv url: http://arxiv.org/abs/2501.03279v1
- Date: Sun, 05 Jan 2025 16:50:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-08 15:50:47.340734
- Title: Revolutionizing Encrypted Traffic Classification with MH-Net: A Multi-View Heterogeneous Graph Model
- Title(参考訳): マルチビューヘテロジニアスグラフモデルMH-Netによる暗号化トラフィック分類の革命
- Authors: Haozhen Zhang, Haodong Yue, Xi Xiao, Le Yu, Qing Li, Zhen Ling, Ye Zhang,
- Abstract要約: MH-Netは、マルチビューの不均一なトラフィックグラフを利用する、ネットワークトラフィックを分類するための新しいアプローチである。
我々は、学習したトラフィック単位表現の堅牢性を強化するために、マルチタスク方式でコントラスト学習を採用する。
- 参考スコア(独自算出の注目度): 16.750119354563733
- License:
- Abstract: With the growing significance of network security, the classification of encrypted traffic has emerged as an urgent challenge. Traditional byte-based traffic analysis methods are constrained by the rigid granularity of information and fail to fully exploit the diverse correlations between bytes. To address these limitations, this paper introduces MH-Net, a novel approach for classifying network traffic that leverages multi-view heterogeneous traffic graphs to model the intricate relationships between traffic bytes. The essence of MH-Net lies in aggregating varying numbers of traffic bits into multiple types of traffic units, thereby constructing multi-view traffic graphs with diverse information granularities. By accounting for different types of byte correlations, such as header-payload relationships, MH-Net further endows the traffic graph with heterogeneity, significantly enhancing model performance. Notably, we employ contrastive learning in a multi-task manner to strengthen the robustness of the learned traffic unit representations. Experiments conducted on the ISCX and CIC-IoT datasets for both the packet-level and flow-level traffic classification tasks demonstrate that MH-Net achieves the best overall performance compared to dozens of SOTA methods.
- Abstract(参考訳): ネットワークセキュリティの重要性が高まり、暗号化されたトラフィックの分類が緊急の課題として浮上した。
従来のバイトベースのトラフィック分析手法は、情報の厳密な粒度に制約され、バイト間の多様な相関を十分に活用できない。
これらの制約に対処するために,マルチビューの不均一なトラフィックグラフを利用してトラフィックバイト間の複雑な関係をモデル化するネットワークトラフィックの分類手法であるMH-Netを提案する。
MH-Netの本質は、様々なトラフィックビットを複数の種類のトラフィック単位に集約することにある。
ヘッダとロードの関係など,さまざまなタイプのバイト相関を考慮することで,MH-Netはトラヒックグラフに不均一性を付与し,モデル性能を著しく向上させる。
特に,学習したトラフィック単位表現の堅牢性を高めるために,マルチタスク方式でコントラスト学習を採用する。
パケットレベルのトラフィック分類タスクとフローレベルのトラフィック分類タスクの両方を対象としたICCXとCIC-IoTデータセットで実施された実験により、MH-Netは数十のSOTAメソッドと比較して、全体的なパフォーマンスが最高であることが示された。
関連論文リスト
- Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph [5.64836465356865]
ネットワークトラフィック検出のための多視点相関対応フレームワークFlowIDを提案する。
FlowIDは時間的およびインタラクションの認識を通じてマルチビュートラフィックの特徴をキャプチャし、ハイパーグラフエンコーダはフロー間の高次関係をさらに探求する。
FlowIDは,様々なネットワークシナリオにおいて,既存の手法よりも精度,堅牢性,一般化に優れることを示す。
論文 参考訳(メタデータ) (2025-01-15T06:17:06Z) - 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) - MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。
トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。
MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
論文 参考訳(メタデータ) (2024-12-19T12:52:53Z) - Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。
PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
論文 参考訳(メタデータ) (2024-11-01T00:37:00Z) - Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。
記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。
提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
論文 参考訳(メタデータ) (2024-07-08T10:51:03Z) - Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction [18.008631008649658]
underlineMulti-underlineView underlineChannel-wise underlineSpatio-underlineTemporal underlineNetwork (MVC-STNet)
我々は,マルチチャネル交通流予測の新たな課題について検討し,深いアンダーラインMulti-underlineViewアンダーラインChannel-wiseアンダーラインTempを提案する。
論文 参考訳(メタデータ) (2024-04-23T13:39:04Z) - 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) - Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting [35.0288931087826]
交通流予測は、過去のネットワークと交通条件に基づいて将来の交通状況を予測することを目的としている。
この問題は、遠時ニューラルネットワーク(GNN)を用いた交通データにおける複雑な時間相関をモデル化することによって、典型的に解決される。
既存の手法は、近隣情報を線形に集約するメッセージパッシングのパラダイムに従っている。
本稿では,交通流予測のための動的ハイパー構造学習(DyHSL)モデルを提案する。
論文 参考訳(メタデータ) (2023-09-21T12:44:55Z) - 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) - Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。
本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。
提案手法は,高品質なトラフィックフローマップを作成できる。
論文 参考訳(メタデータ) (2021-09-29T07:51:49Z)
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。