Fugu-MT 論文翻訳(概要): NetMamba+: A Framework of Pre-trained Models for Efficient and Accurate Network Traffic Classification

論文の概要: NetMamba+: A Framework of Pre-trained Models for Efficient and Accurate Network Traffic Classification

arxiv url: http://arxiv.org/abs/2601.21792v1
Date: Thu, 29 Jan 2026 14:40:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-30 16:22:49.89721
Title: NetMamba+: A Framework of Pre-trained Models for Efficient and Accurate Network Traffic Classification
Title（参考訳）: NetMamba+: ネットワークトラフィックの効率的かつ正確な分類のための事前訓練モデルフレームワーク
Authors: Tongze Wang, Xiaohui Xie, Wenduo Wang, Chuyi Wang, Jinzhou Liu, Boyan Huang, Yannan Hu, Youjian Zhao, Yong Cui,
Abstract要約: NetMamba+は、ネットワークトラフィックの分類にMambaアーキテクチャを適用するためのフレームワークである。我々はNetMamba+の分類性能を最先端のベースラインと比較した。また,261.87 Mb/sのスループットで実世界のロバストな性能を示すオンライントラフィック分類システムを実装した。
参考スコア（独自算出の注目度）: 10.614937602719156
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With the rapid growth of encrypted network traffic, effective traffic classification has become essential for network security and quality of service management. Current machine learning and deep learning approaches for traffic classification face three critical challenges: computational inefficiency of Transformer architectures, inadequate traffic representations with loss of crucial byte-level features while retaining detrimental biases, and poor handling of long-tail distributions in real-world data. We propose NetMamba+, a framework that addresses these challenges through three key innovations: (1) an efficient architecture considering Mamba and Flash Attention mechanisms, (2) a multimodal traffic representation scheme that preserves essential traffic information while eliminating biases, and (3) a label distribution-aware fine-tuning strategy. Evaluation experiments on massive datasets encompassing four main classification tasks showcase NetMamba+'s superior classification performance compared to state-of-the-art baselines, with improvements of up to 6.44\% in F1 score. Moreover, NetMamba+ demonstrates excellent efficiency, achieving 1.7x higher inference throughput than the best baseline while maintaining comparably low memory usage. Furthermore, NetMamba+ exhibits superior few-shot learning abilities, achieving better classification performance with fewer labeled data. Additionally, we implement an online traffic classification system that demonstrates robust real-world performance with a throughput of 261.87 Mb/s. As the first framework to adapt Mamba architecture for network traffic classification, NetMamba+ opens new possibilities for efficient and accurate traffic analysis in complex network environments.
Abstract（参考訳）: 暗号化されたネットワークトラフィックの急速な増加に伴い、ネットワークのセキュリティとサービス管理の品質に効果的なトラフィック分類が不可欠になっている。トランスフォーマーアーキテクチャの計算的非効率性、決定的なバイトレベルの特徴の欠如によるトラフィック表現の不十分、デトリメンタルバイアスの維持、現実世界のデータにおけるロングテール分布の扱い不足、の3つの重要な課題に直面している。提案するNetMamba+は,(1)MambaとFlashのアテンション機構を考慮した効率的なアーキテクチャ,(2)バイアスを排除しながら本質的な交通情報を保存するマルチモーダルトラフィック表現スキーム,(3)ラベル配布対応の微調整戦略の3つの重要な革新を通じて,これらの課題に対処するフレームワークである。 4つの主要な分類タスクを含む大規模データセットの評価実験は、最先端のベースラインに比べてNetMamba+の優れた分類性能を示し、F1スコアの6.44倍まで改善されている。さらに、NetMamba+は優れた効率を示し、最高のベースラインよりも1.7倍高い推論スループットを実現し、メモリ使用量も相容れない。さらに、NetMamba+は、ラベル付きデータの少ない分類性能を向上し、より優れた数ショット学習能力を示す。さらに,261.87 Mb/sのスループットで実世界のロバストな性能を示すオンライントラフィック分類システムを実装した。ネットワークトラフィック分類にMambaアーキテクチャを適用する最初のフレームワークとして、NetMamba+は複雑なネットワーク環境において、効率的かつ正確なトラフィック分析のための新しい可能性を開く。

関連論文リスト

TransMamba: Fast Universal Architecture Adaption from Transformers to Mamba [66.80624029365448]
本稿では,Transformer事前学習知識の再利用を容易にするクロスアーキテクチャな知識伝達パラダイムであるTransMambaを提案する。本稿では,マンバをベースとしたモデルのトレーニングを高速化する2段階のフレームワークを提案する。
論文参考訳（メタデータ） (2025-02-21T01:22:01Z)
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)
MobileMamba: Lightweight Multi-Receptive Visual Mamba Network [51.33486891724516]
従来の軽量モデルの研究は、主にCNNとTransformerベースの設計に重点を置いてきた。効率と性能のバランスをとるMobileMambaフレームワークを提案する。 MobileMambaはTop-1で83.6%を達成し、既存の最先端の手法を上回っている。
論文参考訳（メタデータ） (2024-11-24T18:01:05Z)
Efficient Federated Learning Using Dynamic Update and Adaptive Pruning with Momentum on Shared Server Data [59.6985168241067]
フェデレートラーニング(FL)は、低トレーニング効率と限られた計算資源の2つの重要な問題に遭遇する。本稿では,サーバ上の共有不感データとエッジデバイスの分散データを活用するための新しいFLフレームワークであるFedDUMAPを提案する。提案するFLモデルであるFedDUMAPは,従来の3つの手法を組み合わせることで,ベースラインアプローチと比較して性能が大幅に向上した。
論文参考訳（メタデータ） (2024-08-11T02:59:11Z)
NetMamba: Efficient Network Traffic Classification via Pre-training Unidirectional Mamba [14.02833253204577]
ネットワークトラフィックの分類は、サービス品質の向上、ネットワーク管理の効率化、サイバーセキュリティの強化を目的とした重要な研究分野である。既存のアプローチは2つの大きな課題に直面している。まず、広く使われているTransformerアーキテクチャの2次複雑さのために、モデル非効率に苦しむ。本稿では,包括的トラフィック表現方式を備えた線形時間空間モデルであるNetMambaを提案する。
論文参考訳（メタデータ） (2024-05-19T04:58:53Z)
Lens: A Foundation Model for Network Traffic [19.3652490585798]
Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。 Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
論文参考訳（メタデータ） (2024-02-06T02:45:13Z)
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)
Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文参考訳（メタデータ） (2020-12-20T23:24:31Z)

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。