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)
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)
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)

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。