論文の概要: TrafficMoE: Heterogeneity-aware Mixture of Experts for Encrypted Traffic Classification

• arxiv url: http://arxiv.org/abs/2603.29520v1
• Date: Tue, 31 Mar 2026 10:05:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.479455
• Title: TrafficMoE: Heterogeneity-aware Mixture of Experts for Encrypted Traffic Classification
• Title（参考訳）: TrafficMoE: 暗号化トラフィック分類の専門家の異質性を考慮した混合
• Authors: Qing He, Xiaowei Fu, Lei Zhang,
• Abstract要約: 暗号化されたトラフィック分類は、ネットワークセキュリティにとって重要なタスクである。 一つのサイズにフィットする静的デザインは、本質的に欠陥がある。 静的モデリングのボトルネックを突破するフレームワークであるTrafficMoEを提案する。
• 参考スコア（独自算出の注目度）: 12.748275751587363
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encrypted traffic classification is a critical task for network security. While deep learning has advanced this field, the occlusion of payload semantics by encryption severely challenges standard modeling approaches. Most existing frameworks rely on static and homogeneous pipelines that apply uniform parameter sharing and static fusion strategies across all inputs. This one-size-fits-all static design is inherently flawed: by forcing structured headers and randomized payloads into a unified processing pipeline, it inevitably entangles the raw protocol signals with stochastic encryption noise, thereby degrading the fine-grained discriminative features. In this paper, we propose TrafficMoE, a framework that breaks through the bottleneck of static modeling by establishing a Disentangle-Filter-Aggregate (DFA) paradigm. Specifically, to resolve the structural between-components conflict, the architecture disentangles headers and payloads using dual-branch sparse Mixture-of-Experts (MoE), enabling modality-specific modeling. To mitigate the impact of stochastic noise, an uncertainty-aware filtering mechanism is introduced to quantify reliability and selectively suppress high-variance representations. Finally, to overcome the limitations of static fusion, a routing-guided strategy aggregates cross-modality features dynamically, that adaptively weighs contributions based on traffic context. With this DFA paradigm, TrafficMoE maximizes representational efficiency by focusing solely on the most discriminative traffic features. Extensive experiments on six datasets demonstrate TrafficMoE consistently outperforms state-of-the-art methods, validating the necessity of heterogeneity-aware modeling in encrypted traffic analysis. The source code is publicly available at https://github.com/Posuly/TrafficMoE_main.
• Abstract（参考訳）: 暗号化されたトラフィック分類は、ネットワークセキュリティにとって重要なタスクである。 ディープラーニングはこの分野で進歩してきたが、暗号化によるペイロードセマンティクスの排除は、標準的なモデリングアプローチに大きく挑戦している。 既存のフレームワークのほとんどは、全ての入力に対して均一なパラメータ共有と静的融合戦略を適用する静的かつ均一なパイプラインに依存している。 構造化ヘッダとランダム化されたペイロードを統一された処理パイプラインに強制することで、必然的に生のプロトコル信号を確率的暗号化ノイズで絡み合わせることで、きめ細かい識別機能を劣化させる。 本稿では,DFA(Disentangle-Filter-Aggregate)パラダイムを確立することにより,静的モデリングのボトルネックを突破するフレームワークであるTrafficMoEを提案する。 具体的には、構成部品間の競合を解決するため、アーキテクチャはデュアルブランチスパース・ミクチャー・オブ・エクスプット(MoE)を使用してヘッダとペイロードをアンタングルし、モダリティ固有のモデリングを可能にする。 確率雑音の影響を軽減するため,信頼性を定量化し,高分散表現を選択的に抑制するために不確実性を考慮したフィルタリング機構を導入する。 最後に、静的融合の限界を克服するために、ルーティング誘導戦略は、トラフィックコンテキストに基づいたコントリビューションを適応的に評価する、動的にモダリティの機能を集約する。 このDFAパラダイムにより、TrafficMoEは、最も差別的なトラフィック特徴のみに焦点を当てることで、表現効率を最大化する。 6つのデータセットに対する大規模な実験は、TrafficMoEが常に最先端の手法より優れており、暗号化されたトラフィック分析における異種性認識モデリングの必要性を検証している。 ソースコードはhttps://github.com/Posuly/TrafficMoE_mainで公開されている。

関連論文リスト

• Mean Masked Autoencoder with Flow-Mixing for Encrypted Traffic Classification [15.519001649873081]
  MMAE (Mean MAE) は、暗号化されたトラフィック事前学習モデルを構築するためのフローミキシング戦略を持つ教師向けMAEパラダイムである。 MMAEは教師と学生の相互作用に自己蒸留機構を採用しており、教師は未成熟のフローレベルのセマンティック監視を提供する。
  論文  参考訳（メタデータ） (2026-03-31T10:19:54Z)
• UniRoute: Unified Routing Mixture-of-Experts for Modality-Adaptive Remote Sensing Change Detection [6.323154336421137]
  UniRouteは、モダリティ適応学習のための統一されたフレームワークである。 グローバルな意味的文脈から局所空間の詳細を遠ざけるための適応受容場ルーティングMOEモジュールを提案する。 また,データスカースな異種環境下での統一学習を安定化する一貫性を考慮した自己蒸留手法を提案する。
  論文  参考訳（メタデータ） (2026-01-21T09:21:25Z)
• PhyG-MoE: A Physics-Guided Mixture-of-Experts Framework for Energy-Efficient GNSS Interference Recognition [49.955269674859004]
  本稿では,PhyG-MoE(Physics-Guided Mixture-of-Experts)について述べる。 静的アーキテクチャとは異なり、提案システムはスペクトル特性の絡み合いに基づいて信号をルーティングするスペクトルベースのゲーティング機構を用いる。 高容量のTransNeXtエキスパートがオンデマンドでアクティベートされ、飽和シナリオで複雑な機能を分離する一方、軽量のエキスパートは基本的なシグナルを処理してレイテンシを最小化する。
  論文  参考訳（メタデータ） (2026-01-19T07:57:52Z)
• Adapformer: Adaptive Channel Management for Multivariate Time Series Forecasting [49.40321003932633]
  Adapformerは、効果的なチャネル管理を通じてCIとCD方法論のメリットをマージする、トランスフォーマーベースの高度なフレームワークである。 Adapformerは既存のモデルよりも優れた性能を実現し、予測精度と計算効率の両方を向上させる。
  論文  参考訳（メタデータ） (2025-11-18T16:24:05Z)
• Blockwise Flow Matching: Improving Flow Matching Models For Efficient High-Quality Generation [33.177998521195114]
  フローマッチングモデルは、幅広い領域にわたる高忠実性データ生成の境界を押し上げている。 生成軌道を複数の時間セグメントに分割する新しいフレームワークであるBlockwise Flow Matching (BFM)を提案する。 BFMは2.1倍から4.9倍の高速化を実現している。
  論文  参考訳（メタデータ） (2025-10-24T05:41:23Z)
• UniMRSeg: Unified Modality-Relax Segmentation via Hierarchical Self-Supervised Compensation [104.59740403500132]
  マルチモーダルイメージセグメンテーションは、不完全/破損したモダリティの劣化による実際のデプロイメント課題に直面している。 階層型自己教師型補償(HSSC)による統一Modality-relaxセグメンテーションネットワーク(UniMRSeg)を提案する。 我々のアプローチは、入力レベル、特徴レベル、出力レベルをまたいだ完全なモダリティと不完全なモダリティの間の表現ギャップを階層的に橋渡しします。
  論文  参考訳（メタデータ） (2025-09-19T17:29:25Z)
• IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification [10.900679661892932]
  トラフィックの分類はIoT(Internet of Things)ネットワークの確保に不可欠である。 ディープラーニングに基づく手法は、大規模なネットワークトラフィックから潜在パターンを自律的に抽出することができる。 既存のメソッドはフローレベル機能か生のパケットバイト機能に大きく依存している。 本稿では、リソース効率の悪いIoTトラフィック分類のための協調型マルチモーダル学習フレームワークであるIoT-AMLHPを提案する。
  論文  参考訳（メタデータ） (2025-04-21T03:24:14Z)
• DiffMoE: Dynamic Token Selection for Scalable Diffusion Transformers [86.5541501589166]
  DiffMoEはバッチレベルのグローバルトークンプールで、トレーニング中に専門家がグローバルトークンの配布にアクセスできるようにする。 ImageNetベンチマークの拡散モデル間での最先端のパフォーマンスを実現する。 このアプローチの有効性は、クラス条件生成を超えて、テキスト・ツー・イメージ生成のようなより困難なタスクにも及んでいる。
  論文  参考訳（メタデータ） (2025-03-18T17:57:07Z)
• 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)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。