論文の概要: FastFlow: Early Yet Robust Network Flow Classification using the Minimal Number of Time-Series Packets

• arxiv url: http://arxiv.org/abs/2504.02174v1
• Date: Wed, 02 Apr 2025 23:17:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-04 12:53:18.318942
• Title: FastFlow: Early Yet Robust Network Flow Classification using the Minimal Number of Time-Series Packets
• Title（参考訳）: FastFlow: 時系列パケットの最小値を用いた初期かつロバストなネットワークフロー分類
• Authors: Rushi Jayeshkumar Babaria, Minzhao Lyu, Gustavo Batista, Vijay Sivaraman,
• Abstract要約: 我々は,ネットワークフローを既知のタイプあるいは未知のタイプの1つとして正確に分類する時系列フロー分類法であるFastFlowを開発した。 本モデルでは,フロー毎の時系列データポイントの最小数を動的に決定し,信頼度を既知のフロータイプあるいは未知のフロータイプとして分類する。
• 参考スコア（独自算出の注目度）: 1.6249398255272316
• License:
• Abstract: Network traffic classification is of great importance for network operators in their daily routines, such as analyzing the usage patterns of multimedia applications and optimizing network configurations. Internet service providers (ISPs) that operate high-speed links expect network flow classifiers to accurately classify flows early, using the minimal number of necessary initial packets per flow. These classifiers must also be robust to packet sequence disorders in candidate flows and capable of detecting unseen flow types that are not within the existing classification scope, which are not well achieved by existing methods. In this paper, we develop FastFlow, a time-series flow classification method that accurately classifies network flows as one of the known types or the unknown type, which dynamically selects the minimal number of packets to balance accuracy and efficiency. Toward the objectives, we first develop a flow representation process that converts packet streams at both per-packet and per-slot granularity for precise packet statistics with robustness to packet sequence disorders. Second, we develop a sequential decision-based classification model that leverages LSTM architecture trained with reinforcement learning. Our model makes dynamic decisions on the minimal number of time-series data points per flow for the confident classification as one of the known flow types or an unknown one. We evaluated our method on public datasets and demonstrated its superior performance in early and accurate flow classification. Deployment insights on the classification of over 22.9 million flows across seven application types and 33 content providers in a campus network over one week are discussed, showing that FastFlow requires an average of only 8.37 packets and 0.5 seconds to classify the application type of a flow with over 91% accuracy and over 96% accuracy for the content providers.
• Abstract（参考訳）: ネットワークトラフィックの分類は、マルチメディアアプリケーションの使用パターンの分析やネットワーク構成の最適化など、日々のルーチンにおいてネットワークオペレーターにとって非常に重要である。 高速リンクを運用するインターネットサービスプロバイダ(ISP)は、ネットワークフロー分類器がフロー毎に必要な初期パケットを最小限に抑えて、フローを正確に分類することを期待している。 これらの分類器は、候補フローにおけるパケットシーケンス障害に対して堅牢であり、既存の分類範囲にない未知のフロータイプを検出できなければならない。 本稿では,ネットワークフローを既知のタイプあるいは未知のタイプの1つとして正確に分類する時系列フロー分類法であるFastFlowを開発し,最小数のパケットを動的に選択し,精度と効率のバランスをとる。 本研究の目的は,パケット列障害に頑健なパケット統計量に対して,パケットストリームをパケット単位の粒度とスロット単位の粒度の両方で変換するフロー表現プロセスを開発することである。 第2に、強化学習で訓練されたLSTMアーキテクチャを活用するシーケンシャルな決定に基づく分類モデルを開発する。 本モデルでは,フロー毎の時系列データポイントの最小数を動的に決定し,信頼度を既知のフロータイプあるいは未知のフロータイプとして分類する。 提案手法を公開データセット上で評価し,早期かつ正確なフロー分類において優れた性能を示した。 7つのアプリケーションタイプと33のコンテンツプロバイダにまたがる22.9百万以上のフローの分類に関するデプロイの洞察について、FastFlowは平均8.37のパケットと0.5秒で、コンテンツプロバイダの91%以上の正確性と96%以上の正確性で、フローのアプリケーションタイプを分類する。

関連論文リスト

• 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)
• A Flow is a Stream of Packets: A Stream-Structured Data Approach for DDoS Detection [32.22817720403158]
  本稿では,フローをストリーム構造として動作させる新しいツリーベースDDoS検出手法を提案する。 我々のアプローチは、最先端のディープラーニング手法を含む既存の機械学習技術の精度と一致しているか、あるいは超えている。
  論文  参考訳（メタデータ） (2024-05-12T09:29:59Z)
• ServeFlow: A Fast-Slow Model Architecture for Network Traffic Analysis [9.537658110792208]
  ServeFlowは、ネットワークトラフィック分析タスクを対象とした機械学習モデルのソリューションである。 収集するパケットの数と、個々のフローに適用するモデルを選択して、最小のレイテンシ、高いサービスレート、高い精度のバランスを実現する。 16ms以下では76.3%のフローで推論が可能で、これは中央のエンドツーエンドのサービスレイテンシでは40.5倍のスピードアップである。
  論文  参考訳（メタデータ） (2024-02-06T04:28:33Z)
• Network Traffic Classification based on Single Flow Time Series Analysis [0.0]
  本稿では,単一フロータイムシリーズの時系列解析に基づく交通特徴の新たなフロー拡張を提案する。 我々は,広く知られている15のデータセットを用いて,各種ネットワークトラフィック分類タスクのユーザビリティと特徴ベクトルの達成を実証した。
  論文  参考訳（メタデータ） (2023-07-25T12:00:48Z)
• Distributional GFlowNets with Quantile Flows [73.73721901056662]
  Generative Flow Networks(GFlowNets)は、エージェントが一連の意思決定ステップを通じて複雑な構造を生成するためのポリシーを学ぶ確率的サンプルの新たなファミリーである。 本研究では,GFlowNetの分散パラダイムを採用し,各フロー関数を分散化し,学習中により情報的な学習信号を提供する。 GFlowNet学習アルゴリズムは,リスク不確実性のあるシナリオを扱う上で不可欠な,リスクに敏感なポリシーを学習することができる。
  論文  参考訳（メタデータ） (2023-02-11T22:06:17Z)
• 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)
• Extensible Machine Learning for Encrypted Network Traffic Application Labeling via Uncertainty Quantification [0.0]
  ラベル付き仮想プライベートネットワーク(VPN)暗号化ネットワークトラフィックを10のアプリケーションで生成し,5つのアプリケーションカテゴリに対応する,新たなパブリックなネットワークトラフィックデータセットを提案する。 また、控えめなデータ要件で迅速にトレーニングし、キャリブレーションされた予測確率と、新しいトラフィックサンプルにフラグをつけるための解釈可能なアウト・オブ・ディストリビューション(OOD)スコアを提供するように設計されたMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T16:54:37Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• Better than the Best: Gradient-based Improper Reinforcement Learning for Network Scheduling [60.48359567964899]
  パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。 我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
  論文  参考訳（メタデータ） (2021-05-01T10:18:34Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。