論文の概要: PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning

• arxiv url: http://arxiv.org/abs/2503.03747v1
• Date: Wed, 05 Mar 2025 18:58:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:46.308540
• Title: PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning
• Title（参考訳）: PacketCLIP: ネットワークトラフィックのマルチモーダル埋め込みとサイバーセキュリティ推論のための言語
• Authors: Ryozo Masukawa, Sanggeon Yun, Sungheon Jeong, Wenjun Huang, Yang Ni, Ian Bryant, Nathaniel D. Bastian, Mohsen Imani,
• Abstract要約: PacketCLIPは、パケットデータと自然言語のセマンティクスを組み合わせたマルチモーダルフレームワークである。 セマンティック推論と効率的な分類を統合し、暗号化されたネットワークフローにおける異常の堅牢な検出を可能にする。 95%の平均AUCを達成し、ベースラインを11.6%上回り、モデルサイズを92%減らす。
• 参考スコア（独自算出の注目度）: 13.457018953474655
• License:
• Abstract: Traffic classification is vital for cybersecurity, yet encrypted traffic poses significant challenges. We present PacketCLIP, a multi-modal framework combining packet data with natural language semantics through contrastive pretraining and hierarchical Graph Neural Network (GNN) reasoning. PacketCLIP integrates semantic reasoning with efficient classification, enabling robust detection of anomalies in encrypted network flows. By aligning textual descriptions with packet behaviors, it offers enhanced interpretability, scalability, and practical applicability across diverse security scenarios. PacketCLIP achieves a 95% mean AUC, outperforms baselines by 11.6%, and reduces model size by 92%, making it ideal for real-time anomaly detection. By bridging advanced machine learning techniques and practical cybersecurity needs, PacketCLIP provides a foundation for scalable, efficient, and interpretable solutions to tackle encrypted traffic classification and network intrusion detection challenges in resource-constrained environments.
• Abstract（参考訳）: トラフィック分類はサイバーセキュリティにとって不可欠だが、暗号化されたトラフィックは重大な課題となる。 本稿では,パケットデータと自然言語のセマンティクスを組み合わせたマルチモーダルフレームワークPacketCLIPを提案する。 PacketCLIPはセマンティック推論と効率的な分類を統合し、暗号化されたネットワークフローにおける異常の堅牢な検出を可能にする。 テキスト記述とパケットの振る舞いを整合させることで、さまざまなセキュリティシナリオにまたがる解釈可能性、スケーラビリティ、実用的な適用性を提供します。 PacketCLIPは95%の平均AUCを達成し、ベースラインを11.6%上回り、モデルサイズを92%減らし、リアルタイム異常検出に最適である。 高度な機械学習技術と実用的なサイバーセキュリティのニーズをブリッジすることによって、PacketCLIPは、リソース制約のある環境で暗号化されたトラフィック分類とネットワーク侵入検出の課題に取り組む、スケーラブルで効率的で解釈可能なソリューションの基盤を提供する。

関連論文リスト

• Less is More: Simplifying Network Traffic Classification Leveraging RFCs [3.8623569699070353]
  我々は,雑音特性を排除し,有意義な特徴に焦点を当てたネットワークトラフィックの最小限の表現であるNetMatrixを提案する。 選択された基準線と比較して,LiMは資源消費を桁違いに改善することを示した。 本研究は、トラフィック表現と機械学習モデル選択における単純さの有効性を強調し、資源効率の高いネットワークトラフィック分類への道を開く。
  論文  参考訳（メタデータ） (2025-02-01T22:55:14Z)
• 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)
• CTINEXUS: Leveraging Optimized LLM In-Context Learning for Constructing Cybersecurity Knowledge Graphs Under Data Scarcity [49.657358248788945]
  サイバー脅威インテリジェンス(CTI)レポートのテキスト記述は、サイバー脅威に関する豊富な知識源である。 現在のCTI抽出法は柔軟性と一般化性に欠けており、しばしば不正確で不完全な知識抽出をもたらす。 CTINexusは,大規模言語モデルのテキスト内学習(ICL)を最適化した新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-28T14:18:32Z)
• Toward Mixture-of-Experts Enabled Trustworthy Semantic Communication for 6G Networks [82.3753728955968]
  本稿では,新しいMixture-of-Experts(MoE)ベースのSemComシステムを提案する。 このシステムはゲーティングネットワークと複数の専門家で構成され、それぞれ異なるセキュリティ課題に特化している。 ゲーティングネットワークは、ユーザ定義のセキュリティ要件に基づいて、異種攻撃に対抗するための適切な専門家を適応的に選択する。 車両ネットワークにおけるケーススタディは、MoEベースのSemComシステムの有効性を示す。
  論文  参考訳（メタデータ） (2024-09-24T03:17:51Z)
• Security Implications and Mitigation Strategies in MPLS Networks [0.0]
  Multiprotocol Switching (MPLS) は、長いネットワークアドレスではなく、短いパスラベルに基づいて、あるネットワークノードから別のネットワークノードへデータを転送する技術である。 本稿では,ラベルスプーフィングやトラフィックインターセプション,サービスアタックの否定など,ネットワークに関連するセキュリティへの影響について検討する。
  論文  参考訳（メタデータ） (2024-09-04T09:21:47Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• SISSA: Real-time Monitoring of Hardware Functional Safety and Cybersecurity with In-vehicle SOME/IP Ethernet Traffic [49.549771439609046]
  本稿では,車内機能安全とサイバーセキュリティをモデル化・解析するためのSOME/IP通信トラフィックベースアプローチであるSISSAを提案する。 具体的には、SISSAはWeibullディストリビューションでハードウェア障害をモデル化し、SOME/IP通信に対する5つの潜在的な攻撃に対処する。 広範囲な実験結果から,SISSAの有効性と有効性が確認された。
  論文  参考訳（メタデータ） (2024-02-21T03:31:40Z)
• X-CBA: Explainability Aided CatBoosted Anomal-E for Intrusion Detection System [2.556190321164248]
  Intrusion Detection Systemsにおける機械学習(ML)モデルとディープラーニング(DL)モデルの使用は、不透明な意思決定による信頼の欠如につながっている。 本稿では、グラフニューラルネットワーク(GNN)の構造的利点を活用して、ネットワークトラフィックデータを効率的に処理する新しい説明可能なIDS手法であるX-CBAを提案する。 本手法は、脅威検出の99.47%で高精度に達成し、その分析結果の明確で実用的な説明を提供する。
  論文  参考訳（メタデータ） (2024-02-01T18:29:16Z)
• 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)
• A Comparative Analysis of Machine Learning Algorithms for Intrusion Detection in Edge-Enabled IoT Networks [0.0]
  侵入検知は、ネットワークセキュリティの分野で難しい問題の一つである。 本稿では,従来の機械学習分類アルゴリズムの比較分析を行った。 MLP(Multi-Layer Perception)は入力と出力の間に依存性があり、侵入検知のネットワーク構成に依存している。
  論文  参考訳（メタデータ） (2021-11-02T05:58:07Z)

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。