論文の概要: Traffic-CBM: A Structurally Interpretable Multimodal Framework for Encrypted Traffic Classification

• arxiv url: http://arxiv.org/abs/2606.29909v1
• Date: Mon, 29 Jun 2026 07:44:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.099334
• Title: Traffic-CBM: A Structurally Interpretable Multimodal Framework for Encrypted Traffic Classification
• Title（参考訳）: Traffic-CBM: 暗号化トラフィック分類のための構造的解釈可能なマルチモーダルフレームワーク
• Abstract要約: 本稿では,暗号化トラフィック分類のための構造的解釈可能なマルチモーダルフレームワークであるTraffic-CBMを提案する。 異種信号を直接ブラックボックス表現に融合させる代わりに、Traffic-CBMはそれらを統一階層的な概念空間に整理する。 その結果,Traffic-CBMは,より明確な構造的解釈インタフェースを提供しながら,競合的かつバランスの取れた分類性能を実現することがわかった。
• 参考スコア（独自算出の注目度）: 5.591206695889022
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Encrypted traffic classification has achieved strong performance, but its decision process remains difficult to interpret. Existing methods usually combine flow statistics, packet sequences, and byte-level representations into opaque latent features, making it unclear which type of evidence actually drives the prediction. In this paper, we propose Traffic-CBM, a structurally interpretable multimodal framework for encrypted traffic classification. Instead of directly fusing heterogeneous traffic signals into a black-box representation, Traffic-CBM organizes them into a unified hierarchical concept space. These concepts are not manually annotated semantic attributes; rather, they are scalar evidence summaries constrained by predefined traffic evidence groups. More specifically, grouped flow statistics are mapped to statistical concepts, dedicated temporal encoders learn temporal concepts from disjoint feature subspaces, and byte-level evidence is further organized into packet-level and cross-packet concepts. This design turns heterogeneous traffic evidence into an explicit concept representation and makes different levels of traffic evidence easier to analyze. We evaluate Traffic-CBM on multiple encrypted traffic benchmarks. Results show that it achieves competitive and balanced classification performance while providing a clearer structural interpretation interface than conventional end-to-end fusion models. Further analyses suggest that the learned concept space is actively used in the prediction process and provides a clearer structural explanation of multimodal traffic evidence.
• Abstract（参考訳）: 暗号化されたトラフィック分類は高い性能を達成したが、その決定プロセスは解釈が難しいままである。 既存の手法は通常、フロー統計、パケットシーケンス、バイトレベルの表現を不透明な潜在機能に組み合わせ、どの種類のエビデンスが実際に予測を駆動しているのかは明らかでない。 本稿では,暗号化トラフィック分類のための構造的解釈可能なマルチモーダルフレームワークであるTraffic-CBMを提案する。 異種信号を直接ブラックボックス表現に融合させる代わりに、Traffic-CBMはそれらを統一階層的な概念空間に整理する。 これらの概念は手動で注釈付きセマンティック属性ではなく、事前に定義された交通証拠グループによって制約されたスカラーエビデンス要約である。 より具体的には、グループ化されたフロー統計は統計学的な概念にマッピングされ、専用の時間エンコーダは不連続な特徴部分空間から時間的概念を学習し、バイトレベルのエビデンスはさらにパケットレベルとクロスパケットの概念に分類される。 この設計は異種交通証拠を明示的な概念表現に変換し、異なるレベルの交通証拠を解析しやすくする。 我々は、複数の暗号化トラフィックベンチマークにおいて、Traffic-CBMを評価する。 その結果、従来のエンドツーエンドの融合モデルよりも明確な構造的解釈インタフェースを提供しながら、競争力とバランスの取れた分類性能を実現することがわかった。 さらに, 学習概念空間は予測過程において積極的に利用されており, マルチモーダル交通証拠のより明確な構造的説明が可能であることを示唆する。

関連論文リスト

• TDDM-Melatt: A Decoupled Memory and Diffusion Framework for Generalizable Encrypted Traffic Classification [8.96087505726163]
  本稿では,拡散型データ拡張を用いたメモリベーストラフィック分類フレームワークを提案する。 我々は,エンコーダとデコーダを構築するためにCG-LSTM(Competitive Gating Long Short-Term Memory)を用いたメモリ分離トラフィック表現モデルであるMelattを設計する。 厳密なフローレベルの分割と匿名化の下で、TDDM-Melattは6つの基本的な分類モデルと6つのSOTA表現学習モデルより優れています。
  論文  参考訳（メタデータ） (2026-08-31T13:11:52Z)
• Multimodal Reasoning with LLM for Encrypted Traffic Interpretation: A Benchmark [12.257114438374975]
  本稿では、物理的トラフィックエンコーディングと意味解釈を橋渡しするマルチモーダル推論アーキテクチャである、エンドツーエンドのトラフィック言語表現フレームワーク(mmTraffic)を提案する。 認識中心のトラフィックエンコーダと認識中心のLLM生成器により、mmTrafficは、保証されたカテゴリ予測で洗練されたトラフィック解釈を実現する。
  論文  参考訳（メタデータ） (2026-04-09T11:56:28Z)
• 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)
• Perception-Aware Multimodal Spatial Reasoning from Monocular Images [57.42071289037214]
  単眼画像からの空間的推論は 自律運転には不可欠です 現在のヴィジュアルランゲージモデル(VLM)は、微粒な幾何学的知覚に苦慮している。 本稿では,VLMを明示的な対象中心の接地能力を持つ知覚認識型マルチモーダル推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-07T02:05:12Z)
• Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework [2.289837306672451]
  本稿では,モデルに依存しない,入力摂動に基づく交通説明フレームワークであるTraffic-Explainerを提案する。 元のトラフィックシーケンスの予測間の相互情報を最大化することにより、Traffic-Explainerはモデル予測を駆動する最も影響力のある特徴を明らかにする。 実験によると、Traffic-Explainerは既存の説明手法を約42%改善している。
  論文  参考訳（メタデータ） (2025-09-22T16:46:12Z)
• FlowletFormer: Network Behavioral Semantic Aware Pre-training Model for Traffic Classification [30.24173558233433]
  FlowletFormerはBERTベースのネットワークトラフィック分析用に設計された事前トレーニングモデルである。 FlowletFormerは、トラフィック表現、分類精度、少数ショット学習能力の有効性において、既存の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-08-27T14:32:15Z)
• METER: Multi-modal Evidence-based Thinking and Explainable Reasoning -- Algorithm and Benchmark [48.78602579128459]
  本稿では,画像,ビデオ,音声,映像コンテンツにまたがる偽造検出のための統合ベンチマークMETERを紹介する。 我々のデータセットは4つのトラックから構成されており、それぞれのトラックは実際のvsフェイク分類だけでなく、エビデンスチェーンに基づく説明も必要である。
  論文  参考訳（メタデータ） (2025-07-22T03:42:51Z)
• 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)
• Hints of Prompt: Enhancing Visual Representation for Multimodal LLMs in Autonomous Driving [55.609997552148826]
  Hints of Prompt (HoP) フレームワークを提案する。 これらのヒントはHint Fusionモジュールを通じて融合され、限られたドメインデータで駆動関連表現をキャプチャすることで視覚表現を豊かにする。 大規模な実験により、HoPフレームワークの有効性が確認され、すべての主要な指標において、従来の最先端メソッドよりも大幅に優れていることが示されている。
  論文  参考訳（メタデータ） (2024-11-20T06:58:33Z)
• Multi-view Multi-label Anomaly Network Traffic Classification based on MLP-Mixer Neural Network [55.21501819988941]
  畳み込みニューラルネットワーク(CNN)に基づく既存のネットワークトラフィック分類は、グローバルな情報関連を無視しながら、トラフィックデータの局所的なパターンを強調することが多い。 本稿では,エンドツーエンドのネットワークトラフィック分類手法を提案する。
  論文  参考訳（メタデータ） (2022-10-30T01:52:05Z)
• Guiding the PLMs with Semantic Anchors as Intermediate Supervision: Towards Interpretable Semantic Parsing [57.11806632758607]
  本稿では,既存の事前学習言語モデルを階層型デコーダネットワークに組み込むことを提案する。 第一原理構造をセマンティックアンカーとすることで、2つの新しい中間管理タスクを提案する。 いくつかのセマンティック解析ベンチマークで集中的な実験を行い、我々のアプローチがベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-10-04T07:27:29Z)

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。