論文の概要: MamNet: A Novel Hybrid Model for Time-Series Forecasting and Frequency Pattern Analysis in Network Traffic
- arxiv url: http://arxiv.org/abs/2507.00304v1
- Date: Mon, 30 Jun 2025 22:44:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-03 14:22:59.047671
- Title: MamNet: A Novel Hybrid Model for Time-Series Forecasting and Frequency Pattern Analysis in Network Traffic
- Title（参考訳）: MamNet:ネットワークトラフィックにおける時系列予測と周波数パターン解析のための新しいハイブリッドモデル
- Authors: Yujun Zhang, Runlong Li, Xiaoxiang Liang, Xinhao Yang, Tian Su, Bo Liu, Yan Zhou,
- Abstract要約: 本稿では,新しいネットワークトラフィック予測と異常検出モデルであるMamNetを提案する。
時間領域モデリングと周波数領域の特徴抽出を統合している。
UNSW-NB15とCAIDAデータセットで実施された実験は、MamNetが最近の主流モデルより優れていることを示している。
- 参考スコア（独自算出の注目度）: 9.37855679209798
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The abnormal fluctuations in network traffic may indicate potential security threats or system failures. Therefore, efficient network traffic prediction and anomaly detection methods are crucial for network security and traffic management. This paper proposes a novel network traffic prediction and anomaly detection model, MamNet, which integrates time-domain modeling and frequency-domain feature extraction. The model first captures the long-term dependencies of network traffic through the Mamba module (time-domain modeling), and then identifies periodic fluctuations in the traffic using Fourier Transform (frequency-domain feature extraction). In the feature fusion layer, multi-scale information is integrated to enhance the model's ability to detect network traffic anomalies. Experiments conducted on the UNSW-NB15 and CAIDA datasets demonstrate that MamNet outperforms several recent mainstream models in terms of accuracy, recall, and F1-Score. Specifically, it achieves an improvement of approximately 2% to 4% in detection performance for complex traffic patterns and long-term trend detection. The results indicate that MamNet effectively captures anomalies in network traffic across different time scales and is suitable for anomaly detection tasks in network security and traffic management. Future work could further optimize the model structure by incorporating external network event information, thereby improving the model's adaptability and stability in complex network environments.
- Abstract（参考訳）: ネットワークトラフィックの異常な変動は、潜在的なセキュリティ上の脅威やシステム障害を示す可能性がある。
したがって,ネットワークのセキュリティやトラフィック管理には,効率的なネットワークトラフィック予測と異常検出手法が不可欠である。
本稿では,時間領域モデリングと周波数領域特徴抽出を統合した新しいネットワークトラフィック予測と異常検出モデルMamNetを提案する。
モデルはまず、Mambaモジュール(時間領域モデリング)を介してネットワークトラフィックの長期的依存関係をキャプチャし、次にフーリエ変換(周波数領域特徴抽出)を用いてトラフィックの周期的変動を識別する。
機能融合層では、ネットワークトラフィック異常を検出するモデルの能力を高めるために、マルチスケール情報を統合する。
UNSW-NB15とCAIDAデータセットで実施された実験では、MamNetは精度、リコール、F1スコアの点で、最近の主流モデルよりも優れていることが示されている。
具体的には、複雑なトラフィックパターンの検知性能と長期トレンド検出において、約2%から4%の改善を実現している。
その結果,MamNetは異なる時間スケールのネットワークトラフィックの異常を効果的に捕捉し,ネットワークセキュリティやトラフィック管理における異常検出タスクに適していることが示唆された。
今後の作業は、外部ネットワークイベント情報を組み込むことで、複雑なネットワーク環境におけるモデルの適応性と安定性を向上させることで、モデル構造をさらに最適化することができる。
関連論文リスト
- Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。
事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。
その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-04-22T07:42:07Z) - A Novel Spatiotemporal Correlation Anomaly Detection Method Based on Time-Frequency-Domain Feature Fusion and a Dynamic Graph Neural Network in Wireless Sensor Network [9.031267813814118]
アテンションベースのトランスフォーマーは、長期依存を捕捉する能力により、無線センサネットワーク(WSN)のタイミング異常検出において重要な役割を担っている。
本稿では,周波数領域の特徴を動的グラフニューラルネットワーク(GNN)と統合したWSN異常検出手法を提案する。
論文 参考訳（メタデータ） (2025-02-25T04:34:18Z) - 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) - 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) - RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
論文 参考訳（メタデータ） (2024-05-08T17:28:07Z) - 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) - MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for
Traffic Speed Forecasting [3.614768552081925]
交通速度予測のためのマルチ適応時空間フローグラフニューラルネットワーク(MAF-GNN)を提案する。
MAF-GNNは、トラフィックノード間の複数の遅延空間依存性をキャプチャする、効果的なマルチアダプティブ・アジャシエイト・マトリクス機構を導入している。
パブリックトラフィックネットワークの2つの実世界のデータセットであるMETR-LAとPeMS-Bayでは、他のモデルよりも優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2021-08-08T09:06:43Z) - Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph
Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。
深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。
その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文 参考訳（メタデータ） (2021-03-13T06:56:29Z) - A Generative Learning Approach for Spatio-temporal Modeling in Connected
Vehicular Network [55.852401381113786]
本稿では,コネクテッドカーの無線アクセス遅延を実現するための総合的時間品質フレームワークであるLaMI(Latency Model Inpainting)を提案する。
LaMIはイメージインペイントと合成のアイデアを採用し、2段階の手順で欠落したレイテンシサンプルを再構築することができる。
特に、パッチ方式のアプローチを用いて各地域で収集されたサンプル間の空間的相関を初めて発見し、その後、原点および高度に相関したサンプルをバラエナオートコーダ(VAE)に供給する。
論文 参考訳（メタデータ） (2020-03-16T03:43:59Z) - Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。
具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。
提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
論文 参考訳（メタデータ） (2020-01-09T10:21:04Z)
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。