論文の概要: Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework

• arxiv url: http://arxiv.org/abs/2509.18007v1
• Date: Mon, 22 Sep 2025 16:46:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.51323
• Title: Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
• Title（参考訳）: ディープラーニングによるネットワークトラフィック分類における透明性構築:トラフィック記述フレームワーク
• Authors: Riya Ponraj, Ram Durairajan, Yu Wang,
• Abstract要約: 本稿では,モデルに依存しない,入力摂動に基づく交通説明フレームワークであるTraffic-Explainerを提案する。 元のトラフィックシーケンスの予測間の相互情報を最大化することにより、Traffic-Explainerはモデル予測を駆動する最も影響力のある特徴を明らかにする。 実験によると、Traffic-Explainerは既存の説明手法を約42%改善している。
• 参考スコア（独自算出の注目度）: 2.289837306672451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advancements in deep learning have significantly enhanced the performance and efficiency of traffic classification in networking systems. However, the lack of transparency in their predictions and decision-making has made network operators reluctant to deploy DL-based solutions in production networks. To tackle this challenge, we propose Traffic-Explainer, a model-agnostic and input-perturbation-based traffic explanation framework. By maximizing the mutual information between predictions on original traffic sequences and their masked counterparts, Traffic-Explainer automatically uncovers the most influential features driving model predictions. Extensive experiments demonstrate that Traffic-Explainer improves upon existing explanation methods by approximately 42%. Practically, we further apply Traffic-Explainer to identify influential features and demonstrate its enhanced transparency across three critical tasks: application classification, traffic localization, and network cartography. For the first two tasks, Traffic-Explainer identifies the most decisive bytes that drive predicted traffic applications and locations, uncovering potential vulnerabilities and privacy concerns. In network cartography, Traffic-Explainer identifies submarine cables that drive the mapping of traceroute to physical path, enabling a traceroute-informed risk analysis.
• Abstract（参考訳）: 近年のディープラーニングの進歩により、ネットワークシステムにおけるトラフィック分類の性能と効率が大幅に向上した。 しかし、予測や意思決定における透明性の欠如により、ネットワークオペレーターは、DLベースのソリューションを本番ネットワークにデプロイすることに消極的になっている。 この課題に対処するために,モデルに依存しない,入力摂動に基づく交通説明フレームワークであるTraffic-Explainerを提案する。 元のトラフィックシーケンスの予測とマスクされた予測の相互情報を最大化することにより、Traffic-Explainerはモデル予測を駆動する最も影響力のある特徴を自動的に発見する。 大規模な実験では、Traffic-Explainerは既存の説明手法を約42%改善している。 さらに,アプリケーション分類,トラヒックローカライゼーション,ネットワークカルトグラフィーという3つの重要なタスクにまたがって,その透明性を高めるためにTraffic-Explainerを適用した。 最初の2つのタスクにおいて、Traffic-Explainerは、予測されたトラフィックアプリケーションとロケーションを駆動する最も決定的なバイトを特定し、潜在的な脆弱性とプライバシー上の懸念を明らかにする。 ネットワーク・カートグラフィーにおいて、Traffic-Explainerは、トレースルートの物理経路へのマッピングを駆動する海底ケーブルを特定し、トレースルートのインフォームドリスク分析を可能にする。

関連論文リスト

• Multi-view Correlation-aware Network Traffic Detection on Flow Hypergraph [5.64836465356865]
  ネットワークトラフィック検出のための多視点相関対応フレームワークFlowIDを提案する。 FlowIDは時間的およびインタラクションの認識を通じてマルチビュートラフィックの特徴をキャプチャし、ハイパーグラフエンコーダはフロー間の高次関係をさらに探求する。 FlowIDは,様々なネットワークシナリオにおいて,既存の手法よりも精度,堅牢性,一般化に優れることを示す。
  論文  参考訳（メタデータ） (2025-01-15T06:17:06Z)
• 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)
• 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)
• OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping [84.65114565766596]
  交通シーン構造を考慮したトポロジ推論のための最初のデータセットであるOpenLane-V2を提案する。 OpenLane-V2は2000のアノテートされた道路シーンで構成され、交通要素と車線との関係を記述している。 様々な最先端手法を評価し,OpenLane-V2の定量的,定性的な結果を示し,交通現場におけるトポロジ推論の今後の道筋を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:31:22Z)
• TraffNet: Learning Causality of Traffic Generation for What-if Prediction [4.604622556490027]
  インテリジェントなトラフィック管理と制御における意思決定には,リアルタイムなトラフィック予測が不可欠だ。 本稿では,トラフィック生成のメカニズムを事前に学習するTraffNetという単純なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T13:12:17Z)
• 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)
• 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)

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。