論文の概要: UniNet: A Unified Multi-granular Traffic Modeling Framework for Network Security
- arxiv url: http://arxiv.org/abs/2503.04174v1
- Date: Thu, 06 Mar 2025 07:39:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 17:59:00.722121
- Title: UniNet: A Unified Multi-granular Traffic Modeling Framework for Network Security
- Title（参考訳）: UniNet: ネットワークセキュリティのための統一された多言語トラフィックモデリングフレームワーク
- Authors: Binghui Wu, Dinil Mon Divakaran, Mohan Gurusamy,
- Abstract要約: UniNetは、新しいマルチグラニュラートラフィック表現(T-Matrix)を導入する統一フレームワークである
UniNetは、最新のネットワークセキュリティのための新しいベンチマークを設定する。
- 参考スコア（独自算出の注目度）: 4.206993135004622
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As modern networks grow increasingly complex--driven by diverse devices, encrypted protocols, and evolving threats--network traffic analysis has become critically important. Existing machine learning models often rely only on a single representation of packets or flows, limiting their ability to capture the contextual relationships essential for robust analysis. Furthermore, task-specific architectures for supervised, semi-supervised, and unsupervised learning lead to inefficiencies in adapting to varying data formats and security tasks. To address these gaps, we propose UniNet, a unified framework that introduces a novel multi-granular traffic representation (T-Matrix), integrating session, flow, and packet-level features to provide comprehensive contextual information. Combined with T-Attent, a lightweight attention-based model, UniNet efficiently learns latent embeddings for diverse security tasks. Extensive evaluations across four key network security and privacy problems--anomaly detection, attack classification, IoT device identification, and encrypted website fingerprinting--demonstrate UniNet's significant performance gain over state-of-the-art methods, achieving higher accuracy, lower false positive rates, and improved scalability. By addressing the limitations of single-level models and unifying traffic analysis paradigms, UniNet sets a new benchmark for modern network security.
- Abstract（参考訳）: 現代のネットワークは、多様なデバイス、暗号化プロトコル、脅威の進化によってますます複雑化している。
既存の機械学習モデルは、しばしばパケットやフローの単一の表現にのみ依存し、堅牢な分析に必要なコンテキスト関係をキャプチャする能力を制限する。
さらに、教師付き、半教師付き、教師なしの学習のためのタスク固有のアーキテクチャは、さまざまなデータフォーマットやセキュリティタスクに適応する際の非効率性をもたらす。
これらのギャップに対処するため、我々は、新しいマルチグラニュラートラフィック表現(T-Matrix)を導入し、セッション、フロー、パケットレベルの機能を統合して、包括的なコンテキスト情報を提供する統一フレームワークUniNetを提案する。
軽量アテンションベースのモデルであるT-Attentと組み合わせて、UniNetは様々なセキュリティタスクのための潜伏埋め込みを効率的に学習する。
異常検出、攻撃分類、IoTデバイス識別、暗号化されたWebサイトのフィンガープリントの4つの主要なネットワークセキュリティとプライバシに関する広範な評価は、UniNetの最先端メソッドに対する大幅なパフォーマンス向上、より高い精度の実現、偽陽性率の低減、スケーラビリティの向上を実証している。
シングルレベルモデルの限界に対処し、トラフィック分析パラダイムを統一することにより、UniNetは最新のネットワークセキュリティのための新しいベンチマークを設定できる。
関連論文リスト
- Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。
事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。
その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-04-22T07:42:07Z) - PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning [13.457018953474655]
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。
論文 参考訳（メタデータ） (2025-03-05T18:58:58Z) - 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) - Learning in Multiple Spaces: Few-Shot Network Attack Detection with Metric-Fused Prototypical Networks [47.18575262588692]
本稿では,数発の攻撃検出に適した新しいマルチスペースプロトタイプ学習フレームワークを提案する。
Polyakの平均的なプロトタイプ生成を活用することで、このフレームワークは学習プロセスを安定化し、稀でゼロデイの攻撃に効果的に適応する。
ベンチマークデータセットによる実験結果から、MSPLは、目立たない、新しい攻撃タイプを検出する従来のアプローチよりも優れていることが示された。
論文 参考訳（メタデータ） (2024-12-28T00:09:46Z) - 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) - 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) - NetSafe: Exploring the Topological Safety of Multi-agent Networks [22.033551405492553]
本稿では, トポロジ的観点からのマルチエージェントネットワークの安全性に着目した。
マルチエージェントネットワークが誤情報、偏見、有害な情報を含む攻撃にさらされる際のいくつかの重要な現象を同定する。
高度に接続されたネットワークは敵の攻撃の拡散の影響を受けやすく、スターグラフのトポロジーにおけるタスクパフォーマンスは29.7%低下している。
論文 参考訳（メタデータ） (2024-10-21T06:54:27Z) - 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) - netFound: Foundation Model for Network Security [10.84029318509573]
本稿では,新しいトランスフォーマーベースネットワーク基盤モデルであるnetFoundを紹介する。
我々は、事前学習のために、豊富なラベルのないネットワークテレメトリデータに自己教師付き学習技術を採用する。
実運用環境では,netFoundが隠れたネットワークコンテキストを効果的にキャプチャすることを示す。
論文 参考訳（メタデータ） (2023-10-25T22:04:57Z) - Towards Intelligent Network Management: Leveraging AI for Network
Service Detection [0.0]
本研究では,高度なネットワークトラフィック分類システムを構築するために機械学習手法を活用することに焦点を当てた。
我々は,様々なネットワークサービスタイプをリアルタイムに識別する,新しいデータ駆動型アプローチを提案する。
本システムは,ネットワークサービスを識別する際,顕著な精度を示す。
論文 参考訳（メタデータ） (2023-10-14T16:06:11Z) - Learning Prototype-oriented Set Representations for Meta-Learning [85.19407183975802]
集合構造データから学ぶことは、近年注目を集めている根本的な問題である。
本稿では,既存の要約ネットワークを改善するための新しい最適輸送方式を提案する。
さらに、少数ショット分類と暗黙的メタ生成モデリングの事例にインスタンス化する。
論文 参考訳（メタデータ） (2021-10-18T09:49:05Z) - An Automated, End-to-End Framework for Modeling Attacks From
Vulnerability Descriptions [46.40410084504383]
関連するアタックグラフを導出するためには、既知のアタック技術に関する最新情報をインタラクションルールとして表現する必要がある。
本稿では,セキュリティ脆弱性のテキスト記述から新たな攻撃テクニックをモデル化するための,エンドツーエンドで自動化された新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-10T19:27:34Z)
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。