論文の概要: Forecasting Individual NetFlows using a Predictive Masked Graph Autoencoder
- arxiv url: http://arxiv.org/abs/2604.20483v2
- Date: Thu, 23 Apr 2026 12:47:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.051317
- Title: Forecasting Individual NetFlows using a Predictive Masked Graph Autoencoder
- Title（参考訳）: 予測型マスクグラフオートエンコーダによる個別ネットフローの予測
- Authors: Georgios Anyfantis, Pere Barlet-Ros,
- Abstract要約: 本稿では,ネットワークフローレベルのトラフィック(NetFlow)を予測可能な概念グラフニューラルネットワークモデルを提案する。
我々はスライディングウインドウを用いて、IP, Port, Connectionノードを含む等質不均一な双方向グラフにネットワークトラフィックを分割する。
提案手法は,接続するポートとIPを識別する上で優れた結果を示すが,機能再構築は競争力を維持している。
- 参考スコア（独自算出の注目度）: 2.4159082914715495
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this paper, we propose a proof-of-concept Graph Neural Network model that can successfully predict network flow-level traffic (NetFlow) by accurately modelling the graph structure and the connection features. We use sliding-windows to split the network traffic in equal-sized heterogeneous bidirectional graphs containing IP, Port, and Connection nodes. We then use the GNN to model the evolution of the graph structure and the connection features. Our approach shows superior results when identifying the Port and IP to which connections attach, while feature reconstruction remains competitive with strong forecasting baselines. Overall, our work showcases the use of GNNs for per-flow NetFlow prediction.
- Abstract（参考訳）: 本稿では,グラフ構造と接続特徴を正確にモデル化することにより,ネットワークフローレベルのトラフィック(NetFlow)を正確に予測できる概念型グラフニューラルネットワークモデルを提案する。
我々はスライディングウインドウを用いて、IP, Port, Connectionノードを含む等質不均一な双方向グラフにネットワークトラフィックを分割する。
次に、グラフ構造と接続機能の進化をモデル化するためにGNNを使用します。
提案手法は,接続するポートとIPを識別する上で優れた結果を示す一方で,特徴再構成は強力な予測ベースラインと競合するままである。
全体として、我々の研究は、フローごとのNetFlow予測にGNNを使うことを示しています。
関連論文リスト
- Going with the Flow: Approximating Banzhaf Values via Graph Neural Networks [1.8047694351309207]
ネットワークフローゲームにおいて,グラフニューラルネットワーク(GNN)を用いてBanzhafの値を近似する新しい学習手法を提案する。
トレーニングされたGNNモデルは,高忠実度Banzhaf値近似を実現し,次数化の高速化を実現する。
この研究は、複雑なネットワークシステムのスケーラブルな協調ゲーム理論解析のための実用的なツールとして、GNNを確立している。
論文 参考訳（メタデータ） (2025-10-15T10:40:33Z) - Graph Signal Generative Diffusion Models [74.75869068073577]
拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。
アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。
株価の確率予測における拡散モデルの有効性を実証する。
論文 参考訳（メタデータ） (2025-09-21T21:57:27Z) - GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。