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 16:00:00.424469
• 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:
• 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

• 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)
• 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)
• XG-NID: Dual-Modality Network Intrusion Detection using a Heterogeneous Graph Neural Network and Large Language Model [5.298018090482744]
  XG-NIDは異種グラフ構造内にフローレベルとパケットレベルのデータを融合する最初の方法である。 XG-NIDは、フローとパケットペイロードデータの複雑な関係を効果的に捉えながら、リアルタイムの推論を可能にする。
  論文  参考訳（メタデータ） (2024-08-27T01:14:34Z)
• 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)
• Leveraging a Probabilistic PCA Model to Understand the Multivariate Statistical Network Monitoring Framework for Network Security Anomaly Detection [64.1680666036655]
  確率的生成モデルの観点からPCAに基づく異常検出手法を再検討する。 2つの異なるデータセットを用いて数学的モデルを評価した。
  論文  参考訳（メタデータ） (2023-02-02T13:41:18Z)
• 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)
• Anomaly Detection on Attributed Networks via Contrastive Self-Supervised Learning [50.24174211654775]
  本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。 このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。 高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-02-27T03:17:20Z)

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。