Fugu-MT 論文翻訳(概要): Development of an Adapter for Analyzing and Protecting Machine Learning Models from Competitive Activity in the Networks Services

論文の概要: Development of an Adapter for Analyzing and Protecting Machine Learning Models from Competitive Activity in the Networks Services

arxiv url: http://arxiv.org/abs/2505.01460v1
Date: Thu, 01 May 2025 12:31:20 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-06 18:49:35.131209
Title: Development of an Adapter for Analyzing and Protecting Machine Learning Models from Competitive Activity in the Networks Services
Title（参考訳）: ネットワークサービスにおける競争活動から機械学習モデルを分析・保護するためのアダプタの開発
Authors: Denis Parfenov, Anton Parfenov,
Abstract要約: トラフィックの分類は、サーバの負荷を減らすための重要なタスクである。本稿では,この問題を解決するための機械学習モデルについて論じる。モデルを保護するために,オートエンコーダに基づく解を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Due to the increasing number of tasks that are solved on remote servers, identifying and classifying traffic is an important task to reduce the load on the server. There are various methods for classifying traffic. This paper discusses machine learning models for solving this problem. However, such ML models are also subject to attacks that affect the classification result of network traffic. To protect models, we proposed a solution based on an autoencoder
Abstract（参考訳）: リモートサーバで解決されるタスクの数が増えるため、トラフィックの識別と分類はサーバの負荷を軽減する重要なタスクである。交通の分類には様々な方法がある。本稿では,この問題を解決するための機械学習モデルについて論じる。しかし、このようなMLモデルはネットワークトラフィックの分類結果に影響を与える攻撃を受ける。モデルを保護するために,オートエンコーダに基づく解を提案する。

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)
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)
Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
論文参考訳（メタデータ） (2024-03-28T15:22:29Z)
Classification and Explanation of Distributed Denial-of-Service (DDoS) Attack Detection using Machine Learning and Shapley Additive Explanation (SHAP) Methods [4.899818550820576]
合法的なトラフィックと悪意のあるトラフィックの区別は難しい作業です。交通流の良否を分類するために実装されたモデル間説明は、モデルの内部動作理論の重要な研究である。本稿では、DDoS攻撃の正当なトラフィックと悪意のあるトラフィックを分類するだけでなく、SHAPを用いてモデルの意思決定を説明するフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-27T04:51:29Z)
Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification [68.19713459228369]
我々は、トランスファーラーニング、メタラーニング、コントラストラーニングを、参照機械学習(ML)ツリーベースおよびモノリシックDLモデルと比較する。 i) 大規模なデータセットを用いて,より一般的な表現を得られること,(ii) コントラスト学習が最良の手法であることを示している。 MLツリーベースでは大きなタスクは処理できないが、学習した表現を再利用することで、小さなタスクにも適合するが、DLメソッドはツリーベースモデルのパフォーマンスにも到達している。
論文参考訳（メタデータ） (2023-05-21T11:20:49Z)
NetGPT: Generative Pretrained Transformer for Network Traffic [4.205009931131087]
ネットワークトラフィックの事前訓練モデルでは,大規模生データを用いてネットワークトラフィックの本質的特性を学習することができる。本稿では,トラフィックの理解と生成のための生成事前学習モデルNetGPTを提案する。
論文参考訳（メタデータ） (2023-04-19T09:04:30Z)
A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
論文参考訳（メタデータ） (2022-02-11T10:21:34Z)
Fast Yet Effective Machine Unlearning [6.884272840652062]
本稿では,誤り最大化雑音発生と不適切な反動に基づく重み操作を併用した新しい機械学習フレームワークを提案する。モデル全体の精度を著しく保ちながら、優れた未学習を示す。この作業は、ディープネットワークにおけるアンラーニングの迅速かつ簡単な実装に向けた重要なステップである。
論文参考訳（メタデータ） (2021-11-17T07:29:24Z)
Machine Unlearning of Features and Labels [72.81914952849334]
機械学習モデルにおけるアンラーニングとラベルのファーストシナリオを提案する。提案手法は,影響関数の概念に基づいて,モデルパラメータのクローズドフォーム更新によるアンラーニングを実現する。
論文参考訳（メタデータ） (2021-08-26T04:42:24Z)
Deep Learning for Network Traffic Classification [0.0]
ネットワークトラフィックを監視してコンテンツ、サービス、アプリケーションを特定することは、ネットワークトラフィック制御システムにおいて活発な研究トピックである。これまでの研究では、アプリケーションとサービスの識別を可能にする機械学習の手法が特定されていた。本稿では,パケット,ペイロード,時間列の深層学習アーキテクチャのアンサンブルを用いた分類手法を提案する。
論文参考訳（メタデータ） (2021-06-02T04:11:32Z)
Learnable Expansion-and-Compression Network for Few-shot Class-Incremental Learning [87.94561000910707]
破滅的忘れとモデルオーバーフィッティングの問題を解決するための学習可能な拡張・圧縮ネットワーク(LEC-Net)を提案する。 LEC-Netは機能の表現能力を拡大し、モデル正規化の観点から古いネットワークの特徴漂流を緩和します。 CUB/CIFAR-100データセットの実験では、LEC-Netがベースラインを57%改善し、最先端の56%を上回ります。
論文参考訳（メタデータ） (2021-04-06T04:34:21Z)
A Generative Model based Adversarial Security of Deep Learning and Linear Classifier Models [0.0]
我々は,オートエンコーダモデルを用いた機械学習モデルに対する敵攻撃の軽減手法を提案する。機械学習モデルに対する敵対的攻撃の背後にある主な考え方は、トレーニングされたモデルを操作することによって誤った結果を生成することである。また、ディープニューラルネットワークから従来のアルゴリズムに至るまで、様々な攻撃手法に対するオートエンコーダモデルの性能についても紹介した。
論文参考訳（メタデータ） (2020-10-17T17:18:17Z)
Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できるこのモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
論文参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。