論文の概要: TAO-Net: Two-stage Adaptive OOD Classification Network for Fine-grained Encrypted Traffic Classification

• arxiv url: http://arxiv.org/abs/2512.15753v1
• Date: Thu, 11 Dec 2025 19:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.66199
• Title: TAO-Net: Two-stage Adaptive OOD Classification Network for Fine-grained Encrypted Traffic Classification
• Title（参考訳）: TAO-Net:微細暗号化トラフィック分類のための2段階適応OOD分類ネットワーク
• Authors: Zihao Wang, Wei Peng, Junming Zhang, Jian Li, Wenxin Fang,
• Abstract要約: In-Distribution(ID)とOut-of-Distribution(OOD)の両方の暗号化トラフィックの正確な分類を実現する2段階適応OOD分類ネットワーク(TAO-Net)を提案する。 3つのデータセットの実験では、TAO-Netは96.81-97.70%のマクロ精度と96.77-97.68%のマクロF1を達成した。
• 参考スコア（独自算出の注目度）: 22.045881030012197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encrypted traffic classification aims to identify applications or services by analyzing network traffic data. One of the critical challenges is the continuous emergence of new applications, which generates Out-of-Distribution (OOD) traffic patterns that deviate from known categories and are not well represented by predefined models. Current approaches rely on predefined categories, which limits their effectiveness in handling unknown traffic types. Although some methods mitigate this limitation by simply classifying unknown traffic into a single "Other" category, they fail to make a fine-grained classification. In this paper, we propose a Two-stage Adaptive OOD classification Network (TAO-Net) that achieves accurate classification for both In-Distribution (ID) and OOD encrypted traffic. The method incorporates an innovative two-stage design: the first stage employs a hybrid OOD detection mechanism that integrates transformer-based inter-layer transformation smoothness and feature analysis to effectively distinguish between ID and OOD traffic, while the second stage leverages large language models with a novel semantic-enhanced prompt strategy to transform OOD traffic classification into a generation task, enabling flexible fine-grained classification without relying on predefined labels. Experiments on three datasets demonstrate that TAO-Net achieves 96.81-97.70% macro-precision and 96.77-97.68% macro-F1, outperforming previous methods that only reach 44.73-86.30% macro-precision, particularly in identifying emerging network applications.
• Abstract（参考訳）: 暗号化されたトラフィック分類は、ネットワークトラフィックデータを分析してアプリケーションやサービスを特定することを目的としている。 重要な課題の1つは、新しいアプリケーションの継続的な出現であり、既知のカテゴリから逸脱し、事前定義されたモデルでうまく表現されていないOOD(Out-of-Distribution)トラフィックパターンを生成する。 現在のアプローチは事前に定義されたカテゴリに依存しており、未知のトラフィックタイプを扱う上での有効性を制限している。 未知のトラフィックを単一の"他"カテゴリに分類することで、この制限を緩和する手法もあるが、粒度の細かい分類には失敗した。 本稿では,2段階適応型OOD分類ネットワーク(TAO-Net)を提案する。 第1段階では、トランスフォーマーベースの層間変換の滑らかさと特徴解析を統合してIDとOODトラフィックを効果的に区別するハイブリッドなOOD検出機構を採用し、第2段階では、OODトラフィック分類を生成タスクに変換するための新しいセマンティック強化プロンプト戦略を用いて、事前に定義されたラベルに頼ることなく、柔軟なきめ細かな分類を可能にする。 3つのデータセットの実験により、TAO-Netは96.81-97.70%のマクロ精度と96.77-97.68%のマクロF1を達成した。

関連論文リスト

• Adversarial Pre-Padding: Generating Evasive Network Traffic Against Transformer-Based Classifiers [7.283896930735145]
  提案手法は, 新規かつ効果的なアンダーライン逆転型アンダーライントラフィック生成手法である。 ネットワークトラフィック分類のためのトランスフォーマーモデルに対する既存の研究の限界を効果的に克服し,ネットワークトラフィックの摂動を最適化するための強化学習モデルを採用する。
  論文  参考訳（メタデータ） (2025-10-29T09:45:27Z)
• Language of Network: A Generative Pre-trained Model for Encrypted Traffic Comprehension [16.795038178588324]
  ディープ・ラーニングは、現在、特徴分析を通じて暗号化されたトラフィック分類の主要なアプローチである。 本稿では,暗号化トラフィック理解のための事前学習に基づく生成モデルGBCを提案する。 トラフィック分類と生成タスクの両方において優れた結果が得られ、その結果、分類タスクの最先端手法と比較して、F1スコアが5%向上する。
  論文  参考訳（メタデータ） (2025-05-26T04:04:29Z)
• Benchmarking Unified Face Attack Detection via Hierarchical Prompt Tuning [58.16354555208417]
  PADとFFDはそれぞれ物理メディアベースのプレゼンテーションアタックとデジタル編集ベースのDeepFakeから顔データを保護するために提案されている。 これら2つのカテゴリの攻撃を同時に処理する統一顔攻撃検出モデルがないことは、主に2つの要因に起因する。 本稿では,異なる意味空間から複数の分類基準を適応的に探索する,視覚言語モデルに基づく階層型プロンプトチュ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） (2025-05-19T16:35:45Z)
• Prior2Former -- Evidential Modeling of Mask Transformers for Assumption-Free Open-World Panoptic Segmentation [74.55677741919035]
  顕在学習に根ざしたセグメンテーション・ビジョン・トランスフォーマの最初のアプローチである Prefer2Former (P2F) を提案する。 P2Fは、ピクセル単位のバイナリマスク割り当てにおいて、モデル不確実性を計算するためのベータを組み込むことで、マスクビジョントランスフォーマーアーキテクチャを拡張している。 未知のクラスに対処するほとんどのセグメンテーションモデルとは異なり、P2FはOODデータサンプルへのアクセスや、ヴォイド(ラベルなし)クラスに対する対照的なトレーニングなしで動作する。
  論文  参考訳（メタデータ） (2025-04-07T08:53:14Z)
• Non-uniformity is All You Need: Efficient and Timely Encrypted Traffic Classification With ECHO [3.9154800026646566]
  本稿では,ML/DLベースの暗号化トラフィック分類のための新しい最適化プロセスであるECHOを紹介する。 ECHOは、分類時間とメモリ利用の両方を目標とし、2つの革新的なテクニックを取り入れている。
  論文  参考訳（メタデータ） (2024-06-03T23:54:48Z)
• Activate and Reject: Towards Safe Domain Generalization under Category Shift [71.95548187205736]
  カテゴリーシフト(DGCS)下における領域一般化の実践的問題について検討する。 未知のクラスサンプルを同時に検出し、ターゲットドメイン内の既知のクラスサンプルを分類することを目的としている。 従来のDGと比較すると,1)ソースクラスのみを用いたトレーニングにおいて,未知の概念を学習する方法,2)ソーストレーニングされたモデルを未知の環境に適応する方法,の2つの新しい課題に直面している。
  論文  参考訳（メタデータ） (2023-10-07T07:53:12Z)
• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• Semantic Representation and Dependency Learning for Multi-Label Image Recognition [76.52120002993728]
  本稿では,各カテゴリのカテゴリ固有のセマンティック表現を学習するための,新しい,効果的なセマンティック表現と依存性学習(SRDL)フレームワークを提案する。 具体的には,カテゴリー別注意領域(CAR)モジュールを設計し,チャネル/空間的注意行列を生成してモデルを導出する。 また、カテゴリ間のセマンティック依存を暗黙的に学習するオブジェクト消去(OE)モジュールを設計し、セマンティック認識領域を消去する。
  論文  参考訳（メタデータ） (2022-04-08T00:55:15Z)
• 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)

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。