論文の概要: TempoNet: Learning Realistic Communication and Timing Patterns for Network Traffic Simulation

• arxiv url: http://arxiv.org/abs/2601.15663v1
• Date: Thu, 22 Jan 2026 05:23:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.499803
• Title: TempoNet: Learning Realistic Communication and Timing Patterns for Network Traffic Simulation
• Title（参考訳）: TempoNet: ネットワークトラフィックシミュレーションのためのリアルタイム通信とタイミングパターンの学習
• Authors: Kristen Moore, Diksha Goel, Cody James Christopher, Zhen Wang, Minjune Kim, Ahmed Ibrahim, Ahmad Mohsin, Seyit Camtepe,
• Abstract要約: 本稿では,マルチタスク学習とマルチマーク時間点プロセスを組み合わせた新しい生成モデルであるTempoNetを紹介する。 本研究では,TempoNetが生成したバックグラウンドトラフィックでトレーニングした侵入検出モデルが,実データでトレーニングしたものと同等に動作することを示す。
• 参考スコア（独自算出の注目度）: 10.446543382702837
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Realistic network traffic simulation is critical for evaluating intrusion detection systems, stress-testing network protocols, and constructing high-fidelity environments for cybersecurity training. While attack traffic can often be layered into training environments using red-teaming or replay methods, generating authentic benign background traffic remains a core challenge -- particularly in simulating the complex temporal and communication dynamics of real-world networks. This paper introduces TempoNet, a novel generative model that combines multi-task learning with multi-mark temporal point processes to jointly model inter-arrival times and all packet- and flow-header fields. TempoNet captures fine-grained timing patterns and higher-order correlations such as host-pair behavior and seasonal trends, addressing key limitations of GAN-, LLM-, and Bayesian-based methods that fail to reproduce structured temporal variation. TempoNet produces temporally consistent, high-fidelity traces, validated on real-world datasets. Furthermore, we show that intrusion detection models trained on TempoNet-generated background traffic perform comparably to those trained on real data, validating its utility for real-world security applications.
• Abstract（参考訳）: 現実的なネットワークトラフィックシミュレーションは、侵入検知システム、ストレステストネットワークプロトコルの評価、サイバーセキュリティトレーニングのための高忠実な環境の構築に重要である。 攻撃トラフィックは、赤チームやリプレイメソッドを使用して、トレーニング環境に階層化されることが多いが、現実のネットワークの複雑な時間的およびコミュニケーションのダイナミクスをシミュレートする、真の良識のあるバックグラウンドトラフィックの生成は、依然として中心的な課題である。 本稿では,マルチタスク学習とマルチマーク時間プロセスを組み合わせた新しい生成モデルであるTempoNetを紹介する。 TempoNetは、GAN-, LLM-, Bayesian-based methodの鍵となる制約に対処し、構造化時間変動の再現に失敗する、詳細なタイミングパターンと、ホスト対の振る舞いや季節トレンドなどの高次相関をキャプチャする。 TempoNetは、リアルタイムデータセット上で検証された、時間的に一貫性のある高忠実なトレースを生成する。 さらに,TempoNetが生成したバックグラウンドトラフィックでトレーニングした侵入検出モデルは,実データでトレーニングした者と同等に動作し,実世界のセキュリティアプリケーションに有効であることを示す。

関連論文リスト

• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• 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)
• ST-RetNet: A Long-term Spatial-Temporal Traffic Flow Prediction Method [1.8531577178922987]
  時空間共振ネットワーク(ST-RetNet)と呼ばれる革新的なモデルを提案する。 空間スケールでは,道路網の動的空間的特徴を抽出するために適応的隣接行列を用いて,位相グラフ構造を空間共役ネットワーク(S-RetNet)に統合する。 時間的スケールでは,交通流パターンの長期的依存性の把握に優れたテンポラル・リテータ・ネットワーク(T-RetNet)を提案する。
  論文  参考訳（メタデータ） (2024-07-13T03:52:32Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Generating fine-grained surrogate temporal networks [12.7211231166069]
  代理時間ネットワークを生成するための新しい簡易な手法を提案する。 本手法は、入力ネットワークを時間とともに進化する星状構造に分解する。 次に、これらの構造をビルディングブロックとして使用して、代理時間ネットワークを生成する。
  論文  参考訳（メタデータ） (2022-05-18T09:38:22Z)
• SimHawNet: A Modified Hawkes Process for Temporal Network Simulation [12.403827785443928]
  本稿では、連続時間時間ネットワークの生成モデルのための新しいフレームワークを提案する。 SimHawNetは、時系列ネットワークの連続的な進化のシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2022-03-14T16:40:57Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)
• Space Meets Time: Local Spacetime Neural Network For Traffic Flow Forecasting [11.495992519252585]
  このような相関関係は普遍的であり、交通流において重要な役割を担っていると我々は主張する。 交通センサの局所的時空間コンテキストを構築するための新しい時空間学習フレームワークを提案する。 提案したSTNNモデルは、目に見えない任意のトラフィックネットワークに適用できる。
  論文  参考訳（メタデータ） (2021-09-11T09:04:35Z)
• Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
  SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。 深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。 その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
  論文  参考訳（メタデータ） (2021-03-13T06:56:29Z)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)

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。