論文の概要: Generative AI for Encrypted Traffic Analysis: Synthetic Dataset Generation and Classifier Evaluation
- arxiv url: http://arxiv.org/abs/2608.09852v1
- Date: Mon, 10 Aug 2026 17:09:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.393049
- Title: Generative AI for Encrypted Traffic Analysis: Synthetic Dataset Generation and Classifier Evaluation
- Title（参考訳）: 暗号化トラフィック分析のための生成AI:合成データセット生成と分類器評価
- Abstract要約: 本稿では、現実的でバランスの取れた合成トラフィックデータセットを作成するために、生成AI(GAI)技術について検討する。
適切に生成された合成データは、実世界のデータセットを効果的に補完し、最大93%のパフォーマンスを達成することを実証する。
- 参考スコア（独自算出の注目度）: 0.28675177318965045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Network traffic analysis faces significant challenges with encrypted communications, primarily due to limited visibility into packet contents and the inherent imbalance in available datasets, particularly for anomalous traffic patterns. This paper addresses these challenges by exploring Generative AI (GAI) techniques to create realistic and balanced synthetic encrypted traffic datasets. Our approach incorporates feature analysis, clustering-based data generation, and comprehensive classifier evaluation to ensure synthetic data quality. We demonstrate that properly generated synthetic data can effectively supplement real- world datasets, achieving up to 93% performance when training classifiers compared to those trained on real data. The proposed methodology preserves critical statistical properties and feature correlations while enabling the creation of balanced datasets, ad- dressing the persistent challenge of anomaly underrepresentation in cybersecurity data. Along with the results we provide complete programming code designed and implemented in this work.
- Abstract（参考訳）: ネットワークトラフィック分析は、特に異常なトラフィックパターンのために、パケットの内容の可視性が制限され、利用可能なデータセットの固有の不均衡が原因で、暗号化通信において重大な課題に直面している。
本稿では、現実的でバランスの取れた合成トラフィックデータセットを作成するために、生成AI(GAI)技術を探求することで、これらの課題に対処する。
提案手法は, 特徴分析, クラスタリングに基づくデータ生成, 包括的分類器評価を取り入れて, 合成データの品質を確保する。
我々は、適切に生成された合成データが実世界のデータセットを効果的に補うことを実証し、実データでトレーニングされたデータと比較した場合、最大93%のパフォーマンスを達成できることを示した。
提案手法は, 重要統計特性と特徴相関を保存しつつ, バランスの取れたデータセットの作成を可能にし, サイバーセキュリティデータにおける異常な表現の持続的課題をアドレッシングする。
結果とともに、この作業で設計、実装された完全なプログラミングコードを提供します。
関連論文リスト
- Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。
限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。
汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-09T06:52:03Z) - Quality Degradation Attack in Synthetic Data [5.461072909384133]
本研究では,実際のデータセットへのアクセスや生成プロセスの制御を行う敵による品質攻撃について検討する。
我々は、対応する脅威モデルを形式化し、実データのターゲット操作の有効性を実証的に評価する。
論文 参考訳（メタデータ） (2026-01-06T11:43:31Z) - Comparative Evaluation of VAE, GAN, and SMOTE for Tor Detection in Encrypted Network Traffic [0.0]
暗号化されたネットワークトラフィックは侵入検知に重大な課題をもたらす。
従来のデータ拡張手法は、実際のネットワークトラフィックの複雑な時間的および統計的特性を保存するのに苦労する。
この研究は、現実的で多様な暗号化されたトラフィックトレースを合成するために、ジェネレーティブAI(GAI)モデルの使用について検討する。
論文 参考訳（メタデータ） (2026-01-03T13:31:53Z) - Understanding the Influence of Synthetic Data for Text Embedders [52.04771455432998]
まず,Wangらによって提案された合成データの再生と公開を行った。
合成データがモデル一般化をどのように改善するかを批判的に検討する。
本研究は, 汎用インバータ構築における, 現在の合成データ手法の限界を浮き彫りにしたものである。
論文 参考訳（メタデータ） (2025-09-07T19:28:52Z) - Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。
提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。
提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
論文 参考訳（メタデータ） (2024-11-04T09:51:10Z) - Synthetic Network Traffic Data Generation: A Comparative Study [0.0]
既存の合成データ生成法は, 統計的忠実性, 分類タスクの実用性, クラスバランスの維持能力に大きく違いがある。
本研究では、非AI(統計)、古典AI、生成AI技術を含む12種類の合成ネットワークトラフィックデータ生成手法の比較分析を行った。
GANモデル,特にCTGANとCopulaGANは,高品質な合成データ生成に最適であることを示す。
論文 参考訳（メタデータ） (2024-10-18T14:19:25Z) - Unveiling the Flaws: Exploring Imperfections in Synthetic Data and Mitigation Strategies for Large Language Models [89.88010750772413]
大規模言語モデル(LLM)の学習における高品質なデータ不足問題に対する解決法として,合成データを提案する。
我々の研究は、Q-A(Q-A)ペア、一般的な合成データに関連するこれらの特定の欠陥を掘り下げ、これらの欠陥を軽減するための未学習技術に基づく方法を提案する。
我々の研究は、より堅牢で効率的なLLMトレーニングを促進することを目的として、合成データの効果的な利用に関する重要な洞察を得た。
論文 参考訳（メタデータ） (2024-06-18T08:38:59Z) - Reliability in Semantic Segmentation: Can We Use Synthetic Data? [69.28268603137546]
セマンティックセグメンテーションモデルの現実的信頼性を総合的に評価するために、合成データを具体的に生成する方法を初めて示す。
この合成データは、事前訓練されたセグメンタの堅牢性を評価するために使用される。
セグメンタのキャリブレーションとOOD検出能力を向上するために,我々のアプローチをどのように活用できるかを実証する。
論文 参考訳（メタデータ） (2023-12-14T18:56:07Z) - Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A
Comprehensive Benchmark [56.8042116967334]
合成データは、機械学習モデルのトレーニングの代替となる。
合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。
本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
論文 参考訳（メタデータ） (2023-10-25T20:32:02Z) - Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。
特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。
ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
論文 参考訳（メタデータ） (2022-10-04T15:22:39Z) - CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。
このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。
提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
論文 参考訳（メタデータ） (2022-03-03T05:58:49Z)
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。