論文の概要: Lightweight GenAI for Network Traffic Synthesis: Fidelity, Augmentation, and Classification

• arxiv url: http://arxiv.org/abs/2603.25507v1
• Date: Thu, 26 Mar 2026 14:45:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.341509
• Title: Lightweight GenAI for Network Traffic Synthesis: Fidelity, Augmentation, and Classification
• Title（参考訳）: ネットワークトラフィック合成のための軽量GenAI:忠実度、拡張度、分類
• Authors: Giampaolo Bovenzi, Domenico Ciuonzo, Jonatan Krolikowski, Antonio Montieri, Alfredo Nascita, Antonio Pescapè, Dario Rossi,
• Abstract要約: 本稿では,軽量な生成人工知能(GenAI)アーキテクチャを用いたネットワークトラフィック生成(NTG)タスクについて述べる。 実験により、GenAIモデルは、実際の分布によく一致するトランスフォーマーモデルと状態空間モデルにより、静的トラフィック特性と時間トラフィック特性の両方を保存していることが示された。 低データ設定では、GenAI駆動の強化はNTCのパフォーマンスを最大40%向上させ、フルデータトレーニングとのギャップを大幅に減らす。
• 参考スコア（独自算出の注目度）: 9.961255983754002
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate Network Traffic Classification (NTC) is increasingly constrained by limited labeled data and strict privacy requirements. While Network Traffic Generation (NTG) provides an effective means to mitigate data scarcity, conventional generative methods struggle to model the complex temporal dynamics of modern traffic or/and often incur significant computational cost. In this article, we address the NTG task using lightweight Generative Artificial Intelligence (GenAI) architectures, including transformer-based, state-space, and diffusion models designed for practical deployment. We conduct a systematic evaluation along four axes: (i) (synthetic) traffic fidelity, (ii) synthetic-only training, (iii) data augmentation under low-data regimes, and (iv) computational efficiency. Experiments on two heterogeneous datasets show that lightweight GenAI models preserve both static and temporal traffic characteristics, with transformer and state-space models closely matching real distributions across a complete set of fidelity metrics. Classifiers trained solely on synthetic traffic achieve up to 87% F1-score on real data. In low-data settings, GenAI-driven augmentation improves NTC performance by up to +40%, substantially reducing the gap with full-data training. Overall, transformer-based models provide the best trade-off between fidelity and efficiency, enabling high-quality, privacy-aware traffic synthesis with modest computational overhead.
• Abstract（参考訳）: 正確なネットワークトラフィック分類(NTC)は、ラベル付きデータと厳格なプライバシー要件によってますます制限されている。 ネットワークトラフィック生成(NTG)は、データの不足を軽減する効果的な手段を提供する一方、従来の生成手法は、現代の交通の複雑な時間的ダイナミクスをモデル化するのに苦労する。 本稿では,トランスフォーマベース,状態空間,拡散モデルなど,軽量な生成人工知能(GenAI)アーキテクチャを用いたNTGタスクに対処する。 4つの軸に沿って系統的な評価を行う。 (i)交通忠実度(合成) (二)合成専用研修 三 ローデータ体制によるデータ拡張及び (4)計算効率。 2つの異種データセットの実験では、軽量なGenAIモデルが静的なトラフィック特性と時間的トラフィック特性の両方を保持し、トランスフォーマーモデルと状態空間モデルが完全な忠実度メトリクスのセットで実際の分布と密接に一致していることが示されている。 合成トラフィックのみに訓練された分類器は、実データに対して最大87%のF1スコアを達成する。 低データ設定では、GenAI駆動の強化はNTCのパフォーマンスを最大40%向上させ、フルデータトレーニングとのギャップを大幅に減らす。 全体として、トランスフォーマーベースのモデルは、忠実性と効率の最良のトレードオフを提供し、質の高いプライバシを意識したトラフィック合成を可能にする。

関連論文リスト

• Studying the Role of Synthetic Data for Machine Learning-based Wireless Networks Traffic Forecasting [1.1699027359021665]
  本稿では,大規模Wi-Fi展開のための一階自動回帰雑音統計量に基づく合成データ生成手法を提案する。 実験結果から, 実データを用いて得られた10～15項目のうち, 平均絶対誤差(MAE)値が得られた。 一般化が必要な場合、合成データ学習モデルは、実データ学習ベースラインと比較して、予測精度を最大50%向上させる。
  論文  参考訳（メタデータ） (2026-01-12T15:27:55Z)
• Comparative Evaluation of VAE, GAN, and SMOTE for Tor Detection in Encrypted Network Traffic [0.0]
  暗号化されたネットワークトラフィックは侵入検知に重大な課題をもたらす。 従来のデータ拡張手法は、実際のネットワークトラフィックの複雑な時間的および統計的特性を保存するのに苦労する。 この研究は、現実的で多様な暗号化されたトラフィックトレースを合成するために、ジェネレーティブAI(GAI)モデルの使用について検討する。
  論文  参考訳（メタデータ） (2026-01-03T13:31:53Z)
• A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism [12.43932698231744]
  本稿では,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。 GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間時間相関を抽出する。 実験により、GFENは最先端の手法を約6.3%超え、予測精度と収束速度は最近のハイブリッドモデルの約2倍速くなることが示された。
  論文  参考訳（メタデータ） (2025-06-30T06:33:47Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• 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)
• Synthetic Network Traffic Data Generation: A Comparative Study [0.0]
  既存の合成データ生成法は, 統計的忠実性, 分類タスクの実用性, クラスバランスの維持能力に大きく違いがある。 本研究では、非AI(統計)、古典AI、生成AI技術を含む12種類の合成ネットワークトラフィックデータ生成手法の比較分析を行った。 GANモデル,特にCTGANとCopulaGANは,高品質な合成データ生成に最適であることを示す。
  論文  参考訳（メタデータ） (2024-10-18T14:19:25Z)
• Towards a Transformer-Based Pre-trained Model for IoT Traffic Classification [0.6060461053918144]
  最先端の分類法はDeep Learningに基づいている。 実際の状況では、IoTトラフィックデータが不足しているため、モデルのパフォーマンスはそれほど良くない。 大規模なラベル付きトランスフォーマーベースのIoTトラフィックデータセット上で事前トレーニングされたIoTトラフィック分類変換器(ITCT)を提案する。 実験の結果、ITCTモデルは既存のモデルよりも大幅に優れ、全体的な精度は82%に達した。
  論文  参考訳（メタデータ） (2024-07-26T19:13:11Z)
• Transformer Networks for Data Augmentation of Human Physical Activity Recognition [61.303828551910634]
  Recurrent Generative Adrial Networks (RGAN)のような最先端技術モデルは、リアルな合成データを生成するために使用される。 本稿では,データにグローバルな注意を払っているトランスフォーマーベースの生成敵ネットワークを,PAMAP2とリアルワールドヒューマンアクティビティ認識データセットでRGANと比較する。
  論文  参考訳（メタデータ） (2021-09-02T16:47:29Z)

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。