論文の概要: UDFS: Lightweight Representation-Driven Robust Network Traffic Classification

• arxiv url: http://arxiv.org/abs/2509.11157v1
• Date: Sun, 14 Sep 2025 08:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.94982
• Title: UDFS: Lightweight Representation-Driven Robust Network Traffic Classification
• Title（参考訳）: UDFS:軽量表現駆動ロバストネットワークトラフィック分類
• Authors: Youquan Xian, Xueying Zeng, Mei Huang, Aoxiang Zhou, Xiaoyu Cui, Peng Liu, Lei Cui,
• Abstract要約: textbfUDFSは、トレース全体を2次元のシーケンスに圧縮する表現である。 textbfUDFSは、粗い粒度ときめ細かいデータセットにおいて、優れた分類性能と堅牢性を達成する。
• 参考スコア（独自算出の注目度）: 6.702683003854296
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, sequence features such as packet length have received considerable attention due to their central role in encrypted traffic analysis. Existing sequence modeling approaches can be broadly categorized into flow-level and trace-level methods: the former suffer from high feature redundancy, limiting their discriminative power, whereas the latter preserve complete information but incur substantial computational and storage overhead. To address these limitations, we propose the \textbf{U}p-\textbf{D}own \textbf{F}low \textbf{S}equence (\textbf{UDFS}) representation, which compresses an entire trace into a two-dimensional sequence and characterizes each flow by the aggregate of its upstream and downstream traffic, reducing complexity while maintaining high discriminability. Furthermore, to address the challenge of class-specific discriminability differences, we propose an adaptive threshold mechanism that dynamically adjusts training weights and rejection boundaries, enhancing the model's classification performance. Experimental results demonstrate that the proposed method achieves superior classification performance and robustness on both coarse-grained and fine-grained datasets, as well as under concept drift and open-world scenarios. Code and Dataset are available at https://github.com/kid1999/UDFS.
• Abstract（参考訳）: 近年,パケット長などのシーケンス機能は,暗号化トラフィック解析における中心的な役割から注目されている。 既存のシーケンスモデリングアプローチは、フローレベルとトレースレベルに大きく分類できる: 前者は高い特徴冗長性に悩まされ、識別能力が制限される。 これらの制限に対処するため, 上流と下流のトラフィックの集約によって全トレースを2次元のシーケンスに圧縮し, それぞれのフローを特徴付け, 高い識別性を保ちながら複雑性を低減させる。 さらに,クラス固有の識別可能性の違いに対処するために,トレーニングウェイトと拒否境界を動的に調整し,モデルの分類性能を向上させる適応しきい値機構を提案する。 実験により,提案手法は,コンセプトドリフトやオープンワールドのシナリオだけでなく,粗粒度と細粒度の両方のデータセットに対して,優れた分類性能とロバスト性を実現することが示された。 コードとデータセットはhttps://github.com/kid1999/UDFSで入手できる。

関連論文リスト

• Few-shot Class-incremental Fault Diagnosis by Preserving Class-Agnostic Knowledge with Dual-Granularity Representations [16.182587421358235]
  FSC-FD(Few-Shot Class-Incremental Fault Diagnosis)は,実世界の産業システムにおいて重要である。 本稿では,Dual-Granularity Guidance Network(DGGN)と呼ばれる,Dual-Granularity Representationsに基づく新しいフレームワークを提案する。 提案したDGGNは最先端のFSC-FD手法と比較して診断性能と安定性に優れる。
  論文  参考訳（メタデータ） (2025-08-16T03:14:07Z)
• PFSD: A Multi-Modal Pedestrian-Focus Scene Dataset for Rich Tasks in Semi-Structured Environments [73.80718037070773]
  本稿では, 半構造化シーンに, nuScenesの形式を付加したマルチモーダルなPedestrian-Focused Sceneデータセットを提案する。 また,密集・隠蔽シナリオにおける歩行者検出のためのHMFN(Hybrid Multi-Scale Fusion Network)を提案する。
  論文  参考訳（メタデータ） (2025-02-21T09:57:53Z)
• 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)
• MS$^3$D: A RG Flow-Based Regularization for GAN Training with Limited Data [16.574346252357653]
  物理における再正規化群(RG)の考え方に基づく新しい正規化法を提案する。 本手法は,限られたデータシナリオ下でのGANの性能と安定性を効果的に向上できることを示す。
  論文  参考訳（メタデータ） (2024-08-20T18:37:37Z)
• Joint Learning for Scattered Point Cloud Understanding with Hierarchical Self-Distillation [34.26170741722835]
  そこで本研究では,部分点雲を高速に補正し,同定するエンド・ツー・エンドアーキテクチャを提案する。 階層型自己蒸留(HSD)は任意の階層ベースのポイントクラウドメソッドに適用できる。
  論文  参考訳（メタデータ） (2023-12-28T08:51:04Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• GIFD: A Generative Gradient Inversion Method with Feature Domain Optimization [52.55628139825667]
  Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。 近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。 textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T04:34:21Z)

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。

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。