論文の概要: Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph

• arxiv url: http://arxiv.org/abs/2501.08610v1
• Date: Wed, 15 Jan 2025 06:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-16 15:51:13.338189
• Title: Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph
• Title（参考訳）: フローハイパーグラフを用いたマルチビュー相関型ネットワークトラフィック検出
• Authors: Jiajun Zhou, Wentao Fu, Hao Song, Shanqing Yu, Qi Xuan, Xiaoniu Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 5.64836465356865
• License:
• Abstract: As the Internet rapidly expands, the increasing complexity and diversity of network activities pose significant challenges to effective network governance and security regulation. Network traffic, which serves as a crucial data carrier of network activities, has become indispensable in this process. Network traffic detection aims to monitor, analyze, and evaluate the data flows transmitted across the network to ensure network security and optimize performance. However, existing network traffic detection methods generally suffer from several limitations: 1) a narrow focus on characterizing traffic features from a single perspective; 2) insufficient exploration of discriminative features for different traffic; 3) poor generalization to different traffic scenarios. To address these issues, we propose a multi-view correlation-aware framework named FlowID for network traffic detection. FlowID captures multi-view traffic features via temporal and interaction awareness, while a hypergraph encoder further explores higher-order relationships between flows. To overcome the challenges of data imbalance and label scarcity, we design a dual-contrastive proxy task, enhancing the framework's ability to differentiate between various traffic flows through traffic-to-traffic and group-to-group contrast. Extensive experiments on five real-world datasets demonstrate that FlowID significantly outperforms existing methods in accuracy, robustness, and generalization across diverse network scenarios, particularly in detecting malicious traffic.
• Abstract（参考訳）: インターネットが急速に拡大するにつれて、ネットワーク活動の複雑さと多様性の増大は、効果的なネットワークガバナンスとセキュリティ規制に重大な課題をもたらす。 このプロセスでは,ネットワーク活動の重要なデータキャリアとして機能するネットワークトラフィックが不可欠になっている。 ネットワークトラフィック検出は、ネットワーク全体で送信されるデータフローを監視し、分析し、評価することを目的としており、ネットワークのセキュリティとパフォーマンスの最適化を保証する。 しかし、既存のネットワークトラフィック検出手法には、いくつかの制限がある。 1) 交通特徴を単一視点から特徴づけることに焦点を絞る。 2 異なる交通に対する差別的特徴の探究が不十分である。 3) 異なるトラフィックシナリオへの一般化が不十分である。 これらの問題に対処するため,ネットワークトラフィック検出のためのFlowIDという多視点相関対応フレームワークを提案する。 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。 データ不均衡とラベル不足の課題を克服するために、我々は、トラフィック間およびグループ間コントラストを介して、様々なトラフィックフローを区別するフレームワークの能力を向上する、二重コントラストのプロキシタスクを設計する。 5つの実世界のデータセットに対する大規模な実験により、FlowIDは、特に悪意のあるトラフィックの検出において、さまざまなネットワークシナリオにおける精度、堅牢性、一般化において、既存のメソッドよりも大幅に優れています。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• Network Anomaly Traffic Detection via Multi-view Feature Fusion [3.4590834781477864]
  ネットワーク異常トラフィック検出のためのマルチビュー・フィーチャー・フュージョン(MuFF)手法を提案する。 MuFFは、時間的および対話的な視点に基づいて、ネットワークトラフィックにおけるパケットの時間的および対話的な関係をモデル化する。 6つの実トラフィックデータセットの実験により、MuFFはネットワーク異常なトラフィック検出において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-12T13:04:40Z)
• TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework [3.947797359736224]
  我々は3つのAIエージェントを用いてマルチスケールトラフィックデータを処理するマルチスケールトラフィック生成システムであるTrafficGPTを設計した。 TrafficGPTは,1)ユーザと対話し,テキストを介して予測タスクを抽出するテキスト・ツー・デマンドエージェント,2)マルチスケールトラフィックデータを利用して時間的特徴と類似性を生成するトラフィック予測エージェント,3)予測結果を用いて提案や視覚化を行う提案・可視化エージェントの3つの重要なAIエージェントから構成される。
  論文  参考訳（メタデータ） (2024-05-08T07:48:40Z)
• Graph Attention Network for Lane-Wise and Topology-Invariant Intersection Traffic Simulation [8.600701437207725]
  交差点に対する2つの効率的かつ正確な「デジタルツイン」モデルを提案する。 これらのデジタルツインは、交差点内の交通の時間的、空間的、文脈的な側面を捉えている。 本研究の応用は、車線再構成、運転行動分析、交差点の安全性と効率向上に関する情報決定の促進まで及んでいる。
  論文  参考訳（メタデータ） (2024-04-11T03:02:06Z)
• 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)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Federated Semi-Supervised Classification of Multimedia Flows for 3D Networks [0.16799377888527683]
  交通分類は、交通の整形、ネットワークスライシング、品質・オブ・サービス(QoS)管理に不可欠である。 3Dネットワークは、さまざまなレベルの異常検出を保証できる複数のルートを提供する。 本稿では,ネットワークトラフィックを半教師付き方式で分類するために,協調的特徴選択と特徴量削減学習手法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T20:18:07Z)
• 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)
• Optimal transport in multilayer networks [68.8204255655161]
  本稿では,各層上の最適フローが,コストの最小化に寄与するモデルを提案する。 アプリケーションとして,各層が異なる輸送システムに関連付けられている交通ネットワークを考察する。 この結果の例をボルドー市とバスと路面電車の2層ネットワークで示し、ある状況下では路面電車網の存在が道路網の交通を著しく覆い隠している。
  論文  参考訳（メタデータ） (2021-06-14T07:33:09Z)
• End-to-End Intersection Handling using Multi-Agent Deep Reinforcement Learning [63.56464608571663]
  交差点をナビゲートすることは、自動運転車にとって大きな課題の1つです。 本研究では,交通標識のみが提供された交差点をナビゲート可能なシステムの実装に着目する。 本研究では,時間ステップ毎に加速度と操舵角を予測するためのニューラルネットワークの訓練に用いる,モデルフリーの連続学習アルゴリズムを用いたマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2021-04-28T07:54:40Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。