論文の概要: Network Traffic Analysis with Process Mining: The UPSIDE Case Study
- arxiv url: http://arxiv.org/abs/2512.23718v1
- Date: Wed, 10 Dec 2025 19:40:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-04 08:45:17.118319
- Title: Network Traffic Analysis with Process Mining: The UPSIDE Case Study
- Title（参考訳）: プロセスマイニングによるネットワークトラフィック分析:UPSIDEケーススタディ
- Authors: Francesco Vitale, Paolo Palmiero, Massimiliano Rak, Nicola Mazzocca,
- Abstract要約: 本稿では,ゲームネットワークのトラフィックを分析するプロセスマイニング手法を提案する。
本手法をUPSIDEケーススタディに適用し、Clash RoyaleとRocket Leagueの2つのゲームと相互作用する複数のデバイスのゲームネットワークデータを含む。
その結果,ゲームネットワークの動作はペトリネットとして表される状態を通して効果的に,解釈可能なモデル化が可能であることが示された。
- 参考スコア（独自算出の注目度）: 4.324045000965908
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online gaming is a popular activity involving the adoption of complex systems and network infrastructures. The relevance of gaming, which generates large amounts of market revenue, drove research in modeling network devices' behavior to evaluate bandwidth consumption, predict and sustain high loads, and detect malicious activity. In this context, process mining appears promising due to its ability to combine data-driven analyses with model-based insights. In this paper, we propose a process mining-based method that analyzes gaming network traffic, allowing: unsupervised characterization of different states from gaming network data; encoding such states through process mining into interpretable Petri nets; and classification of gaming network traffic data to identify different video games being played. We apply the method to the UPSIDE case study, involving gaming network data of several devices interacting with two video games: Clash Royale and Rocket League. Results demonstrate that the gaming network behavior can be effectively and interpretably modeled through states represented as Petri nets with sufficient coherence (94.02% inter-device similarity) and specificity (174.99% inter-state separation) while maintaining a good classification accuracy of the two different video games (73.84% AUC).
- Abstract（参考訳）: オンラインゲームは、複雑なシステムとネットワークインフラの採用を含む人気のある活動である。
市場収益を大量に生み出すゲーミングの関連性は、ネットワーク機器の動作をモデル化し、帯域幅の消費を評価し、高い負荷を予測し維持し、悪意のあるアクティビティを検知する研究を推進した。
この文脈では、データ駆動分析とモデルに基づく洞察を組み合わせる能力により、プロセスマイニングは有望であるように見える。
本稿では,ゲームネットワークのトラフィックを分析するプロセスマイニング手法を提案する。ゲームネットワークデータから異なる状態の教師なしキャラクタリゼーション,解釈可能なペトリネットへのプロセスマイニングによる符号化,ゲームネットワークトラフィックデータの分類により,プレイ中の異なるビデオゲームを識別する。
本手法をUPSIDEケーススタディに適用し、Clash RoyaleとRocket Leagueの2つのゲームと相互作用する複数のデバイスのゲームネットワークデータを含む。
その結果、ゲームネットワークの挙動は、2つの異なるビデオゲーム(73.84% AUC)の優れた分類精度を維持しつつ、十分なコヒーレンス(デバイス間類似度)と特異性(174.99%)を持つペトリネットとして表される状態を通して効果的に解釈可能であることが示されている。
関連論文リスト
- Leveraging Scene Context with Dual Networks for Sequential User Behavior Modeling [58.72480539725212]
本稿では,シーンとアイテム間の動的興味や相互作用を捉えるために,新しいDSPネットワークを提案する。
DSPnetは、アイテムやシーンに対するユーザの動的関心を学習するための2つの並列ネットワークと、将来の振る舞いを予測するためのインタープレイをキャプチャするシーケンス機能拡張モジュールで構成されている。
論文 参考訳（メタデータ） (2025-09-30T12:26:57Z) - CognitionNet: A Collaborative Neural Network for Play Style Discovery in Online Skill Gaming Platform [6.665636945186558]
本稿では,2段階のディープニューラルネットワークであるCognitionNetを提案する。
第1段階は、潜在空間におけるクラスタ表現としてのゲーム動作のマイニングに焦点を当てている。
2つ目は、これらのマイクロパターンを集約して、プレイスタイルを見つけます。
論文 参考訳（メタデータ） (2025-05-01T05:51:19Z) - 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) - NetBench: A Large-Scale and Comprehensive Network Traffic Benchmark Dataset for Foundation Models [15.452625276982987]
ネットワークトラフィック(ネットワークトラフィック、英: network traffic)は、インターネット上のコンピュータやサイバー物理システム間のパケットの形で送信されるデータ量である。
我々は,ネットワークトラフィック分類と生成タスクの両方において,機械学習モデル,特に基礎モデルを評価するための大規模かつ包括的なベンチマークデータセットであるNetBenchを紹介した。
論文 参考訳（メタデータ） (2024-03-15T14:09:54Z) - Machine Learning for QoS Prediction in Vehicular Communication:
Challenges and Solution Approaches [46.52224306624461]
最大スループット予測の強化,例えばストリーミングや高精細マッピングアプリケーションについて検討する。
収集したデータの基盤となる特性をよりよく理解することで、マシンラーニング技術上に信頼性を構築することができるかを強調します。
我々は、説明可能なAIを使用して、機械学習が明示的にプログラムされることなく、無線ネットワークの基本原理を学習できることを示す。
論文 参考訳（メタデータ） (2023-02-23T12:29:20Z) - Learning to Infer Structures of Network Games [22.494985151665205]
観測されたゲーム結果(均衡行動)からネットワーク構造を推定することは、経済学や社会科学における多くの潜在的な応用において重要な問題である。
我々は,問題の対称性を正しく説明し,均衡動作からゲーム内のネットワーク構造へのマッピングをユーティリティ関数の明示的な知識なしに学習するトランスフォーマーのようなアーキテクチャを採用する。
提案手法は,合成データと実世界のデータの両方を用いて3種類のネットワークゲーム上でテストし,ネットワーク構造推定の有効性と既存手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-06-16T12:32:07Z) - Improving Bidding and Playing Strategies in the Trick-Taking game Wizard
using Deep Q-Networks [0.0]
別々の入札・プレイフェーズを持つトリックテイクゲームWizardは、2つのインターリーブされた部分的に観測可能なマルコフ決定プロセス(POMDP)によってモデル化される。
ディープQネットワークワークス(DQN)は、非定常環境の課題に対処できる自己改善エージェントの強化に使用される。
訓練されたDQNエージェントは、ランダムなベースラインと規則に基づく非対称性の両方を残して、自己プレイの66%から87%の精度を達成する。
論文 参考訳（メタデータ） (2022-05-27T08:59:42Z) - Collusion Detection in Team-Based Multiplayer Games [57.153233321515984]
チームベースのマルチプレイヤーゲームにおいて,協調動作を検出するシステムを提案する。
提案手法は,ゲーム内行動パターンと組み合わせたプレイヤーの社会的関係を解析する。
次に,非教師なし学習手法であるアイソレーションフォレストによる検出を自動化する。
論文 参考訳（メタデータ） (2022-03-10T02:37:39Z) - MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake
Detection [80.83725644958633]
現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。
MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-09-15T14:11:53Z) - An Empirical Study on the Generalization Power of Neural Representations
Learned via Visual Guessing Games [79.23847247132345]
本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。
提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
論文 参考訳（メタデータ） (2021-01-31T10:30:48Z)
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。