論文の概要: PACC: Protocol-Aware Cross-Layer Compression for Compact Network Traffic Representation

• arxiv url: http://arxiv.org/abs/2602.08331v1
• Date: Mon, 09 Feb 2026 07:09:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.096636
• Title: PACC: Protocol-Aware Cross-Layer Compression for Compact Network Traffic Representation
• Title（参考訳）: PACC: コンパクトネットワークトラフィック表現のためのプロトコル対応クロスレイヤ圧縮
• Authors: Zhaochen Guo, Tianyufei Zhou, Honghao Wang, Ronghua Li, Shinan Liu,
• Abstract要約: PACCは冗長性を認識した層対応表現フレームワークである。 機能のエンジニアリングと生のビットベースラインを一貫して上回る。 エンドツーエンドの効率を最大3.16倍改善する。
• 参考スコア（独自算出の注目度）: 10.787806670196938
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Network traffic classification is a core primitive for network security and management, yet it is increasingly challenged by pervasive encryption and evolving protocols. A central bottleneck is representation: hand-crafted flow statistics are efficient but often too lossy, raw-bit encodings can be accurate but are costly, and recent pre-trained embeddings provide transfer but frequently flatten the protocol stack and entangle signals across layers. We observe that real traffic contains substantial redundancy both across network layers and within each layer; existing paradigms do not explicitly identify and remove this redundancy, leading to wasted capacity, shortcut learning, and degraded generalization. To address this, we propose PACC, a redundancy-aware, layer-aware representation framework. PACC treats the protocol stack as multi-view inputs and learns compact layer-wise projections that remain faithful to each layer while explicitly factorizing representations into shared (cross-layer) and private (layer-specific) components. We operationalize these goals with a joint objective that preserves layer-specific information via reconstruction, captures shared structure via contrastive mutual-information learning, and maximizes task-relevant information via supervised losses, yielding compact latents suitable for efficient inference. Across datasets covering encrypted application classification, IoT device identification, and intrusion detection, PACC consistently outperforms feature-engineered and raw-bit baselines. On encrypted subsets, it achieves up to a 12.9% accuracy improvement over nPrint. PACC matches or surpasses strong foundation-model baselines. At the same time, it improves end-to-end efficiency by up to 3.16x.
• Abstract（参考訳）: ネットワークトラフィック分類は、ネットワークセキュリティと管理のコアプリミティブである。 手作りのフロー統計は効率的だが、しばしば損失が多く、生ビットの符号化は正確だがコストがかかる。 既存のパラダイムでは、この冗長性を明示的に識別したり排除したりせず、時間の無駄なキャパシティ、ショートカット学習、一般化の低下につながります。 そこで本稿では,冗長性を考慮した層認識表現フレームワークであるPACCを提案する。 PACCはプロトコルスタックをマルチビュー入力として扱い、各レイヤに忠実なコンパクトなレイヤーワイドプロジェクションを学習し、表現を共有(クロス層)およびプライベート(層固有の)コンポーネントに明示的に分解する。 我々は,これらの目標を,再構成による層固有の情報保存,コントラスト的相互情報学習による共有構造獲得,教師付き損失によるタスク関連情報の最大化,効率的な推論に適したコンパクトな潜時情報の獲得という共同目標で運用する。 暗号化されたアプリケーション分類、IoTデバイス識別、侵入検出を含むデータセット全体にわたって、PACCは、機能エンジニアリングと生のビットベースラインを一貫して上回る。 暗号化されたサブセットでは、nPrintよりも最大12.9%精度が向上する。 PACCは強力な基盤モデルベースラインにマッチするか、超える。 同時に、エンドツーエンドの効率を最大3.16倍向上させる。

関連論文リスト

• Proof of Reasoning for Privacy Enhanced Federated Blockchain Learning at the Edge [6.952864017722625]
  本稿ではブロックチェーンを用いたフェデレーション学習に特化した,新しいコンセンサス機構であるProof of Reasoning(PoR)を紹介する。 文献で一般的に見られる一般的なブロックチェーンコンセンサスメカニズムとは異なり、PoRは連邦学習に適した3つの異なるプロセスを統合する。 PoRはレイテンシとストレージ増加の低い大規模なIoTネットワークにスケールし、進化するデータ、規制、ネットワーク条件に適応する。
  論文  参考訳（メタデータ） (2026-01-12T01:57:17Z)
• PacketCLIP: Multi-Modal Embedding of Network Traffic and Language for Cybersecurity Reasoning [13.457018953474655]
  PacketCLIPは、パケットデータと自然言語のセマンティクスを組み合わせたマルチモーダルフレームワークである。 セマンティック推論と効率的な分類を統合し、暗号化されたネットワークフローにおける異常の堅牢な検出を可能にする。 95%の平均AUCを達成し、ベースラインを11.6%上回り、モデルサイズを92%減らす。
  論文  参考訳（メタデータ） (2025-03-05T18:58:58Z)
• MIETT: Multi-Instance Encrypted Traffic Transformer for Encrypted Traffic Classification [59.96233305733875]
  トラフィックの分類は、セキュリティの脅威を検出し、ネットワーク管理を最適化するために不可欠である。 トークンレベルとパケットレベルの両方の関係をキャプチャするMulti-Instance Encrypted Traffic Transformer (MIETT)を提案する。 MIETTは5つのデータセットにまたがって結果を達成し、暗号化されたトラフィックの分類と複雑なネットワーク動作の理解の有効性を示す。
  論文  参考訳（メタデータ） (2024-12-19T12:52:53Z)
• SGLP: A Similarity Guided Fast Layer Partition Pruning for Compressing Large Deep Models [19.479746878680707]
  レイヤプルーニングは、ネットワークサイズを削減し、計算効率を向上させるための強力なアプローチである。 大規模深層モデル圧縮のための類似性誘導高速層分割プルーニングを提案する。 本手法は精度と計算効率の両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-14T04:01:08Z)
• Beyond the Prototype: Divide-and-conquer Proxies for Few-shot Segmentation [63.910211095033596]
  少ないショットのセグメンテーションは、少数の濃密なラベル付けされたサンプルのみを与えられた、目に見えないクラスオブジェクトをセグメンテーションすることを目的としている。 分割・分散の精神において, 単純かつ多目的な枠組みを提案する。 提案手法は、DCP(disvision-and-conquer proxies)と呼ばれるもので、適切な信頼性のある情報の開発を可能にする。
  論文  参考訳（メタデータ） (2022-04-21T06:21:14Z)
• Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
  我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。 この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。 これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
  論文  参考訳（メタデータ） (2021-12-27T14:05:41Z)
• Towards Multi-agent Reinforcement Learning for Wireless Network Protocol Synthesis [2.6397379133308214]
  本稿では,無線ネットワークのためのマルチエージェント強化学習に基づくメディアアクセスフレームワークを提案する。 アクセス問題はMarkov Decision Process (MDP) として定式化され、分散学習エージェントとして機能するネットワークノード毎に強化学習を用いて解決される。
  論文  参考訳（メタデータ） (2021-02-02T17:13:37Z)
• Dual-constrained Deep Semi-Supervised Coupled Factorization Network with Enriched Prior [80.5637175255349]
  本稿では、DS2CF-Netと呼ばれる、拡張された事前制約付きDual-Constrained Deep Semi-Supervised Coupled Factorization Networkを提案する。 隠れた深い特徴を抽出するために、DS2CF-Netは、深い構造と幾何学的な構造に制約のあるニューラルネットワークとしてモデル化される。 我々のネットワークは、表現学習とクラスタリングのための最先端の性能を得ることができる。
  論文  参考訳（メタデータ） (2020-09-08T13:10:21Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)

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。