論文の概要: Treat Traffic Like Trees: A Semantic-Preserving Hierarchical Graph-Based Expert Framework for Encrypted Traffic Analysis
- arxiv url: http://arxiv.org/abs/2606.04517v1
- Date: Wed, 03 Jun 2026 06:52:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 07:07:40.463136
- Title: Treat Traffic Like Trees: A Semantic-Preserving Hierarchical Graph-Based Expert Framework for Encrypted Traffic Analysis
- Title（参考訳）: 木のような処理トラフィック: 暗号化トラフィック分析のためのセマンティック保存階層型グラフベースエキスパートフレームワーク
- Authors: Yuantu Luo, Jun Tao, Linxiao Yu, Guang Cheng,
- Abstract要約: Protocol Tree Graph Attention with Mixture of Experts (PTGAMoE)は、暗号化トラフィック分析のためのセマンティックな階層的なグラフベースのエキスパートフレームワークである。
PTGAMoEは最先端(SOTA)モデルよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.122921415690282
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based deep learning methods have been widely employed in encrypted traffic analysis to exploit latent correlations across different granularities. However, while complex preprocessing pipelines and sophisticated model structures often achieve strong performance, they may obscure inherent protocol semantics during representation learning. Moreover, the hierarchical structure of protocol layers and their corresponding fields, defined by protocol specifications and routinely utilized in manual traffic analysis, remains underexplored in existing learning frameworks. In this paper, we propose Protocol Tree Graph Attention with Mixture of Experts (PTGAMoE), a semantic-preserving hierarchical graph-based expert framework for encrypted traffic analysis. The field-based graph construction and expert committee design enable PTGAMoE to quantify the model's preferences for specific fields and protocols. Extensive experimental results on representative benchmark datasets under strict no-data-leakage settings demonstrate that PTGAMoE significantly outperforms state-of-the-art (SOTA) models. Furthermore, the semantic-preserving design provides interpretable insights into protocol-level feature importance and expert-level contributions, reflecting the model's decision-making logic in encrypted traffic classification tasks.
- Abstract（参考訳）: グラフベースのディープラーニング手法は、様々な粒度にまたがる遅延相関を利用するために、暗号化されたトラフィック分析に広く用いられている。
しかし、複雑な前処理パイプラインと洗練されたモデル構造は、しばしば強力な性能を達成するが、表現学習中に固有のプロトコルセマンティクスを曖昧にする可能性がある。
さらに、プロトコルレイヤとその対応するフィールドの階層構造は、プロトコル仕様によって定義され、手動のトラフィック分析で日常的に利用されるが、既存の学習フレームワークでは未検討のままである。
本稿では,暗号化トラフィック分析のための意味保存型階層型グラフベースエキスパートフレームワークであるPTGAMoE(Protocol Tree Graph Attention with Mixture of Experts)を提案する。
フィールドベースのグラフ構築と専門家委員会の設計により、PTGAMoEは特定のフィールドやプロトコルに対するモデルの好みを定量化することができる。
厳密なno-data-leakage設定下でのベンチマークデータセットの大規模な実験結果は、PTGAMoEが最先端(SOTA)モデルを大幅に上回っていることを示している。
さらに、セマンティック保存設計は、暗号化されたトラフィック分類タスクにおけるモデルの決定ロジックを反映して、プロトコルレベルの機能の重要性と専門家レベルのコントリビューションに関する解釈可能な洞察を提供する。
関連論文リスト
- TopoAlign: Topology-Aware Visual Representation Alignment [18.80110544625249]
TopoAlignは、構造の観点からモデル表現を視覚的に比較するためのフレームワークである。
TopoAlignは、トポロジカルな視点から表現構造とアライメントについて有意義な洞察を提供する。
論文 参考訳（メタデータ） (2026-05-25T07:58:26Z) - Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。
この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
論文 参考訳（メタデータ） (2026-03-21T14:15:34Z) - Contrastive Graph Modeling for Cross-Domain Few-Shot Medical Image Segmentation [58.41482540044918]
クロスドメイン少ショット医療画像セグメンテーション(CD-FSMIS)は医療応用に有望でデータ効率のよいソリューションを提供する。
本稿では,医用画像の構造的整合性を利用したコントラストグラフモデリング(C-Graph)を提案する。
論文 参考訳（メタデータ） (2025-12-25T14:00:17Z) - GLOW: Graph-Language Co-Reasoning for Agentic Workflow Performance Prediction [51.83437071408662]
本稿では,AW性能予測のための統合フレームワークGLOWを提案する。
GLOWは、GNNのグラフ構造モデリング能力とLLMの推論能力を組み合わせる。
FLORA-Benchの実験では、GLOWは予測精度とランキングユーティリティにおいて最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-11T13:30:46Z) - Exploring Expert Specialization through Unsupervised Training in Sparse Mixture of Experts [1.6143062786972913]
本稿では,SMOE-VAEアーキテクチャを新たに構築したSparse Mixture of Experts Variational Autoencoder(SMOE-VAE)について検討する。
我々は、クイックDrawデータセットを用いて、教師なしのエキスパートルーティングを、地上構造ラベルでガイドされた教師付きベースラインと比較する。
意外なことに、教師なしルーティングは、常に優れた再構築性能を実現する。
論文 参考訳（メタデータ） (2025-09-12T07:45:10Z) - Predict, Cluster, Refine: A Joint Embedding Predictive Self-Supervised Framework for Graph Representation Learning [0.0]
グラフ表現学習は、ノード分類やリンク予測といったタスクの基盤として登場した。
現在の自己教師付き学習(SSL)手法は、計算の非効率性、対照的な目的への依存、表現の崩壊といった課題に直面している。
本稿では,意味情報と構造情報を保存しながら,対照的な目的と負のサンプリングを排除したグラフSSLのための新しい結合埋め込み予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-02-02T07:42:45Z) - Scalable Weibull Graph Attention Autoencoder for Modeling Document Networks [50.42343781348247]
解析条件後部を解析し,推論精度を向上させるグラフポアソン因子分析法(GPFA)を開発した。
また,GPFAを多層構造に拡張したグラフPoisson gamma belief Network (GPGBN) を用いて,階層的な文書関係を複数の意味レベルで捉える。
本モデルでは,高品質な階層型文書表現を抽出し,様々なグラフ解析タスクにおいて有望な性能を実現する。
論文 参考訳（メタデータ） (2024-10-13T02:22:14Z) - Structure-CLIP: Towards Scene Graph Knowledge to Enhance Multi-modal
Structured Representations [70.41385310930846]
マルチモーダルな構造表現を強化するためのエンドツーエンドフレームワークであるStructure-CLIPを提案する。
シーングラフを用いてセマンティックなネガティブな例の構築をガイドし、その結果、構造化された表現の学習に重点を置いている。
知識エンハンス(KEE)は、SGKを入力として活用し、構造化表現をさらに強化するために提案される。
論文 参考訳（メタデータ） (2023-05-06T03:57:05Z) - Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。
本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
論文 参考訳（メタデータ） (2021-01-16T16:18:43Z)
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。