論文の概要: Traffic-MoE: A Sparse Foundation Model for Network Traffic Analysis

• arxiv url: http://arxiv.org/abs/2601.00357v1
• Date: Thu, 01 Jan 2026 14:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-05 15:04:33.397445
• Title: Traffic-MoE: A Sparse Foundation Model for Network Traffic Analysis
• Title（参考訳）: Traffic-MoE: ネットワークトラフィック分析のためのスパース基礎モデル
• Authors: Jiajun Zhou, Changhui Sun, Meng Shen, Shanqing Yu, Qi Xuan,
• Abstract要約: Traffic-MoEは、高効率リアルタイム推論に最適化されたスパース基盤モデルである。 最大で12.38%の検知性能向上を実現している。 トラヒック-モーエは、敵の交通形状に対して優れた堅牢性を示し、数発のシナリオで高い検出効率を維持する。
• 参考スコア（独自算出の注目度）: 14.705331586186759
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While pre-trained large models have achieved state-of-the-art performance in network traffic analysis, their prohibitive computational costs hinder deployment in real-time, throughput-sensitive network defense environments. This work bridges the gap between advanced representation learning and practical network protection by introducing Traffic-MoE, a sparse foundation model optimized for high-efficiency real-time inference. By dynamically routing traffic tokens to a small subset of specialized experts, Traffic-MoE effectively decouples model capacity from computational overhead. Extensive evaluations across three security-oriented tasks demonstrate that Traffic-MoE achieves up to a 12.38% improvement in detection performance compared to leading dense competitors. Crucially, it delivers a 91.62% increase in throughput, reduces inference latency by 47.81%, and cuts peak GPU memory consumption by 38.72%. Beyond efficiency, Traffic-MoE exhibits superior robustness against adversarial traffic shaping and maintains high detection efficacy in few-shot scenarios, establishing a new paradigm for scalable and resilient network traffic analysis.
• Abstract（参考訳）: 事前訓練された大規模モデルは、ネットワークトラフィック分析において最先端のパフォーマンスを達成したが、その計算コストの禁止は、リアルタイムでスループットに敏感なネットワーク防御環境への展開を妨げる。 この研究は、高効率リアルタイム推論に最適化されたスパース基盤モデルであるTraffic-MoEを導入することにより、高度な表現学習と実用的なネットワーク保護のギャップを埋める。 トラフィックトークンを専門専門家の小さなサブセットに動的にルーティングすることで、Traffic-MoEはモデル容量を計算オーバーヘッドから効果的に分離する。 3つのセキュリティ指向のタスクに対する広範囲な評価は、Traffic-MoEが上位の競合相手と比較して最大12.38%の検知性能の向上を達成していることを示している。 重要なことに、スループットは91.62%向上し、推論遅延を47.81%削減し、GPUのピークメモリ消費を38.72%削減している。 効率性以外にも、Traffic-MoEは敵のトラフィックシェーピングに対して優れた堅牢性を示し、少数のシナリオで高い検出効率を維持し、スケーラブルでレジリエントなネットワークトラフィック分析のための新しいパラダイムを確立している。

関連論文リスト

• Efficient Traffic Classification using HW-NAS: Advanced Analysis and Optimization for Cybersecurity on Resource-Constrained Devices [1.3124513975412255]
  本稿ではハードウェア認識型ニューラルアーキテクチャサーチ(HW-NAS)により最適化されたハードウェア効率の高いディープニューラルネットワーク(DNN)を提案する。 リソース制約のあるIoT(Internet of Things)とエッジデバイス上でのセッションレベルの暗号化トラフィックの分類をサポートする。 最適化されたモデルは96.59%の精度で88.26Kのパラメータ、10.08MのFLOP、最大テンソルサイズは20.12Kである。
  論文  参考訳（メタデータ） (2025-06-12T21:37:45Z)
• TrafficLLM: Enhancing Large Language Models for Network Traffic Analysis with Generic Traffic Representation [14.470174593447702]
  大規模言語モデル(LLM)は様々な領域で有望な性能を示している。 TrafficLLMは、生のトラフィックデータから一般的なトラフィック表現を学ぶための2段階の微調整フレームワークを導入している。 F1スコアは0.9875と0.9483で、既存の検出および生成方法よりも最大80.12%、33.92%性能が向上している。
  論文  参考訳（メタデータ） (2025-04-05T16:18:33Z)
• Leveraging Multimodal-LLMs Assisted by Instance Segmentation for Intelligent Traffic Monitoring [6.648291808015463]
  本研究では,リアルタイムQuanser Interactive Labシミュレーションプラットフォーム上でのトラフィック監視作業にLLaVAビジュアルグラウンド・マルチモーダル大言語モデル(LLM)を利用する。 複数の都市に設置されたカメラはシミュレーションからリアルタイムの画像を収集し、LLaVAモデルに入力して分析を行う。 このシステムは、車両の位置を認識する精度が84.3%、ステアリング方向が76.4%で、従来のモデルを上回っている。
  論文  参考訳（メタデータ） (2025-02-16T23:03:26Z)
• 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)
• An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction [6.14400858731508]
  ワークゾーンは、非リカレント交通渋滞や道路事故の主な原因の1つである。 多様なプラットフォームからのワークゾーンとトラフィックデータの利用を向上させるデータ統合パイプラインを提案する。 計画された作業ゾーンイベントにおける交通速度と事故発生確率を予測するための新しい深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-31T17:38:49Z)
• SEPT: Towards Efficient Scene Representation Learning for Motion Prediction [19.111948522155004]
  本稿では,自己教師付き学習を活用し,複雑な交通シーンのための強力なモデルを開発するためのモデリングフレームワークSEPTを提案する。 実験により、SEPTはアーキテクチャ設計や機能エンジニアリングを伴わず、Argoverse 1 と Argoverse 2 のモーション予測ベンチマークで最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-09-26T21:56:03Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)

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。