論文の概要: Mean Masked Autoencoder with Flow-Mixing for Encrypted Traffic Classification

• arxiv url: http://arxiv.org/abs/2603.29537v1
• Date: Tue, 31 Mar 2026 10:19:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.54304
• Title: Mean Masked Autoencoder with Flow-Mixing for Encrypted Traffic Classification
• Title（参考訳）: 暗号化トラフィック分類のためのフローミキシングを用いた平均マスクオートエンコーダ
• Authors: Xiao Liu, Xiaowei Fu, Fuxiang Huang, Lei Zhang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 15.519001649873081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network traffic classification using self-supervised pre-training models based on Masked Autoencoders (MAE) has demonstrated a huge potential. However, existing methods are confined to isolated byte-level reconstruction of individual flows, lacking adequate perception of the multi-granularity contextual relationship in traffic. To address this limitation, we propose Mean MAE (MMAE), a teacher-student MAE paradigm with flow mixing strategy for building encrypted traffic pre-training model. MMAE employs a self-distillation mechanism for teacher-student interaction, where the teacher provides unmasked flow-level semantic supervision to advance the student from local byte reconstruction to multi-granularity comprehension. To break the information bottleneck in individual flows, we introduce a dynamic Flow Mixing (FlowMix) strategy to replace traditional random masking mechanism. By constructing challenging cross-flow mixed samples with interferences, it compels the model to learn discriminative representations from distorted tokens. Furthermore, we design a Packet-importance aware Mask Predictor (PMP) equipped with an attention bias mechanism that leverages packet-level side-channel statistics to dynamically mask tokens with high semantic density. Numerous experiments on a number of datasets covering encrypted applications, malware, and attack traffic demonstrate that MMAE achieves state-of-the-art performance. The code is available at https://github.com/lx6c78/MMAE
• Abstract（参考訳）: Masked Autoencoders (MAE) に基づく自己教師付き事前学習モデルを用いたネットワークトラフィックの分類は大きな可能性を実証した。 しかし、既存の手法は個別のフローのバイトレベルの分離に限られており、トラフィックにおける多粒性コンテキスト関係の十分な認識が欠如している。 この制限に対処するために,教師が学習するMaEパラダイムであるMean MAE(MMAE)を提案する。 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、教師が局所的なバイト再構築から多粒度理解へと学生を前進させるために、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。 個別のフローにおける情報のボトルネックを解消するために,従来のランダムマスキング機構を置き換える動的フローミキシング(FlowMix)戦略を導入する。 干渉を伴う難解なクロスフロー混合サンプルを構築することにより、歪んだトークンから識別表現を学習するモデルを補完する。 さらに,パケットレベルの側チャネル統計を利用して,意味密度の高いトークンを動的にマスキングするアテンションバイアス機構を備えたパケット重要度対応マスク予測器 (PMP) を設計する。 暗号化されたアプリケーション、マルウェア、攻撃トラフィックをカバーする多数のデータセットに関する多くの実験は、MMAEが最先端のパフォーマンスを達成することを実証している。 コードはhttps://github.com/lx6c78/MMAEで入手できる。

関連論文リスト

• TrafficMoE: Heterogeneity-aware Mixture of Experts for Encrypted Traffic Classification [12.748275751587363]
  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。
  論文  参考訳（メタデータ） (2026-03-31T10:05:54Z)
• 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)
• Unified Auto-Encoding with Masked Diffusion [15.264296748357157]
  我々はUMD(Unified Masked Diffusion)と呼ばれる,統合された自己監督的目標を提案する。 UMDは、パッチベースとノイズベースの破損テクニックを1つの自動エンコーディングフレームワークに組み合わせている。 下流の生成および表現学習タスクにおいて、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-06-25T16:24:34Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• CL-MAE: Curriculum-Learned Masked Autoencoders [49.24994655813455]
  本稿では,自己指導型再建作業の複雑さを継続的に増大させるために,マスキング戦略を更新するカリキュラム学習手法を提案する。 我々は、ImageNet上でCL-MAE(Curriculum-Learned Masked Autoencoder)をトレーニングし、MAEよりも優れた表現学習能力を示すことを示す。
  論文  参考訳（メタデータ） (2023-08-31T09:13:30Z)
• Improving Masked Autoencoders by Learning Where to Mask [65.89510231743692]
  マスケ画像モデリングは視覚データに対する有望な自己教師型学習手法である。 本稿では,Gumbel-Softmax を用いて,対向学習マスク生成装置とマスク誘導画像モデリングプロセスとを相互接続するフレームワーク AutoMAE を提案する。 実験の結果,AutoMAEは,標準の自己監督型ベンチマークや下流タスクに対して,効果的な事前学習モデルを提供することがわかった。
  論文  参考訳（メタデータ） (2023-03-12T05:28:55Z)
• Masked Autoencoding for Scalable and Generalizable Decision Making [93.84855114717062]
  MaskDPは、強化学習と行動クローンのためのシンプルでスケーラブルな自己教師付き事前学習手法である。 我々は,MaskDPモデルにより,単一ゴールや複数ゴール到達といった新しいBCタスクへのゼロショット転送能力が得られることを発見した。
  論文  参考訳（メタデータ） (2022-11-23T07:04:41Z)

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。