論文の概要: TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation

• arxiv url: http://arxiv.org/abs/2504.04222v2
• Date: Tue, 15 Apr 2025 08:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:05:18.311152
• Title: TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation
• Title（参考訳）: TrafficLLM:ジェネリックトラフィック表現を用いた大規模言語モデルによるネットワークトラフィック解析
• Authors: Tianyu Cui, Xinjie Lin, Sijia Li, Miao Chen, Qilei Yin, Qi Li, Ke Xu,
• Abstract要約: 大規模言語モデル(LLM)は様々な領域で有望な性能を示している。 TrafficLLMは、生のトラフィックデータから一般的なトラフィック表現を学ぶための2段階の微調整フレームワークを導入している。 F1スコアは0.9875と0.9483で、既存の検出および生成方法よりも最大80.12%、33.92%性能が向上している。
• 参考スコア（独自算出の注目度）: 14.470174593447702
• License:
• Abstract: Machine learning (ML) powered network traffic analysis has been widely used for the purpose of threat detection. Unfortunately, their generalization across different tasks and unseen data is very limited. Large language models (LLMs), known for their strong generalization capabilities, have shown promising performance in various domains. However, their application to the traffic analysis domain is limited due to significantly different characteristics of network traffic. To address the issue, in this paper, we propose TrafficLLM, which introduces a dual-stage fine-tuning framework to learn generic traffic representation from heterogeneous raw traffic data. The framework uses traffic-domain tokenization, dual-stage tuning pipeline, and extensible adaptation to help LLM release generalization ability on dynamic traffic analysis tasks, such that it enables traffic detection and traffic generation across a wide range of downstream tasks. We evaluate TrafficLLM across 10 distinct scenarios and 229 types of traffic. TrafficLLM achieves F1-scores of 0.9875 and 0.9483, with up to 80.12% and 33.92% better performance than existing detection and generation methods. It also shows strong generalization on unseen traffic with an 18.6% performance improvement. We further evaluate TrafficLLM in real-world scenarios. The results confirm that TrafficLLM is easy to scale and achieves accurate detection performance on enterprise traffic.
• Abstract（参考訳）: 機械学習(ML)を利用したネットワークトラフィック分析は脅威検出のために広く利用されている。 残念なことに、異なるタスクや見えないデータにまたがる一般化は非常に限られている。 強力な一般化能力で知られる大規模言語モデル(LLM)は、様々な領域で有望な性能を示している。 しかし、ネットワークトラフィックの特徴が著しく異なるため、トラフィック分析領域への適用は制限されている。 そこで本研究では,異種生トラフィックデータから汎用トラフィック表現を学習するための2段階微調整フレームワークであるTrafficLLMを提案する。 このフレームワークは、トラフィックドメインのトークン化、デュアルステージチューニングパイプライン、拡張可能な適応を使用して、LLMが動的トラフィック解析タスクの一般化機能をリリースするのに役立つ。 TrafficLLMを10の異なるシナリオと229種類のトラフィックで評価する。 TrafficLLM は 0.9875 と 0.9483 の F1 スコアを達成し、既存の検出および生成方法よりも 80.12% と 33.92% のパフォーマンスが向上した。 また、18.6%のパフォーマンス向上により、目に見えないトラフィックを強く一般化している。 さらに,実世界のシナリオにおけるTrafficLLMの評価を行った。 その結果、TrafficLLMはスケールが容易であり、企業トラフィックの正確な検出性能を実現することが確認された。

関連論文リスト

• Revolutionizing Encrypted Traffic Classification with MH-Net: A Multi-View Heterogeneous Graph Model [16.750119354563733]
  MH-Netは、マルチビューの不均一なトラフィックグラフを利用する、ネットワークトラフィックを分類するための新しいアプローチである。 我々は、学習したトラフィック単位表現の堅牢性を強化するために、マルチタスク方式でコントラスト学習を採用する。
  論文  参考訳（メタデータ） (2025-01-05T16:50:41Z)
• Data-Driven Transfer Learning Framework for Estimating Turning Movement Counts [2.5920304684810014]
  本研究では,交点における移動数(TMC)の推定に伝達学習を活用する新しい枠組みを提案する。 提案したTLモデルの性能を8つの最先端回帰モデルと比較し,平均絶対誤差とルート平均正方形誤差の最小値を得た。
  論文  参考訳（メタデータ） (2024-12-13T05:02:16Z)
• Large Language Models (LLMs) as Traffic Control Systems at Urban Intersections: A New Paradigm [5.233512464561313]
  本研究では,Large Language Models (LLM) をトラヒックコントローラとして利用することで,トラヒック制御システムに新たなアプローチを提案する。 この研究は、論理的推論、シーン理解、意思決定能力を利用してスループットを最適化し、リアルタイムで交通状況に基づいたフィードバックを提供する。
  論文  参考訳（メタデータ） (2024-11-16T19:23:52Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
  交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。 近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。 我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
  論文  参考訳（メタデータ） (2024-10-28T09:19:29Z)
• Cross-domain Few-shot In-context Learning for Enhancing Traffic Sign Recognition [49.20086587208214]
  交通信号認識の強化を目的としたMLLMに基づくドメイン間数ショットインコンテキスト学習手法を提案する。 記述テキストを使用することで、テンプレートと実際の交通標識のドメイン間差を低減することができる。 提案手法は,大規模交通標識画像やラベルを必要とせず,単純かつ均一なテキスト表示のみを必要とする。
  論文  参考訳（メタデータ） (2024-07-08T10:51:03Z)
• 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)
• A Holistic Framework Towards Vision-based Traffic Signal Control with Microscopic Simulation [53.39174966020085]
  交通信号制御(TSC)は交通渋滞を低減し、交通の流れを円滑にし、アイドリング時間を短縮し、CO2排出量を減らすために重要である。 本研究では,道路交通の流れを視覚的観察によって調節するTSCのコンピュータビジョンアプローチについて検討する。 我々は、視覚ベースのTSCとそのベンチマークに向けて、TrafficDojoと呼ばれる総合的なトラフィックシミュレーションフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-03-11T16:42:29Z)
• FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph [10.675666104503119]
  本稿では,詳細な深部交通推論をedIと呼ぶ。 道路間の関係をモデル化するために,交通信号に基づくきめ細かい交通グラフを構築した。 私たちは、都市レベルのきめ細かい交通予測を最初に実施しました。
  論文  参考訳（メタデータ） (2023-06-19T14:03:42Z)
• 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)
• 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)

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。