論文の概要: TDDM-Melatt: A Decoupled Memory and Diffusion Framework for Generalizable Encrypted Traffic Classification

• arxiv url: http://arxiv.org/abs/2608.30745v1
• Date: Mon, 31 Aug 2026 13:11:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.400832
• Title: TDDM-Melatt: A Decoupled Memory and Diffusion Framework for Generalizable Encrypted Traffic Classification
• Title（参考訳）: TDDM-Melatt: 一般化可能な暗号化トラフィック分類のための分離メモリと拡散フレームワーク
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.96087505726163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of encrypted traffic poses severe challenges to current security situational awareness systems based on network traffic monitoring. In existing dataset-driven training and testing studies, limitations such as shortcut learning induced by spurious feature correlations and sample imbalance caused by the long-tail distribution of real-world traffic result in weak generalization of traffic identification performance to real-world network traffic. To address these limitations, we propose TDDM-Melatt, a disentangled memory-based traffic classification framework with diffusion-based data augmentation. First, we design Melatt, a memory-decoupled traffic representation model, which employs Competitive Gating Long Short-Term Memory (CG-LSTM) to construct the encoder and decoder. We design a spurious-correlation-free pre-training and inference paradigm, employing strict topology anonymization and a frozen pre-trained encoder strategy to cut off the model's learning pathways for spurious features. During inference, classification is performed efficiently by a downstream classifier on the frozen representations. Second, we propose a Traffic Denoising Diffusion Model (TDDM) tailored to the characteristics of traffic data. Extensive experiments are conducted on 4 representative public benchmark datasets. Under strict flow-level splitting and anonymization, TDDM-Melatt outperforms 6 basic classification models and 6 SOTA representation learning models. The proposed method provides a new and effective technical pathway for encrypted traffic classification in real-world network environments.
• Abstract（参考訳）: 暗号化トラフィックの普及は、ネットワークトラフィック監視に基づく現在のセキュリティ状況認識システムに深刻な課題をもたらす。 既存のデータセット駆動型トレーニングおよびテスト研究では、突発的特徴相関によるショートカット学習や、実世界のトラフィックの長期分布に起因するサンプル不均衡などの制限により、実世界のネットワークトラフィックに対するトラフィック識別性能の弱い一般化が期待できる。 これらの制約に対処するため,拡散に基づくデータ拡張を伴うメモリベースのトラフィック分類フレームワークであるTDDM-Melattを提案する。 まず,コンペティティブ・ゲーティング・ロング・ショート・メモリ(CG-LSTM)を用いてエンコーダとデコーダを構築する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。 我々は、厳密なトポロジ匿名化と凍結した事前学習エンコーダ戦略を利用して、素早い特徴のためのモデルの学習経路を切断する、素早い相関のない事前学習および推論パラダイムを設計する。 推論中は、凍結表現上の下流分類器によって効率的に分類される。 次に,交通データの特徴に合わせて,交通騒音拡散モデル(TDDM)を提案する。 4つの代表的な公開ベンチマークデータセットに対して、大規模な実験が実施されている。 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。 提案手法は,実世界のネットワーク環境において,暗号化されたトラフィック分類のための新しい効果的な技術経路を提供する。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• Language of Network: A Generative Pre-trained Model for Encrypted Traffic Comprehension [16.795038178588324]
  ディープ・ラーニングは、現在、特徴分析を通じて暗号化されたトラフィック分類の主要なアプローチである。 本稿では,暗号化トラフィック理解のための事前学習に基づく生成モデルGBCを提案する。 トラフィック分類と生成タスクの両方において優れた結果が得られ、その結果、分類タスクの最先端手法と比較して、F1スコアが5%向上する。
  論文  参考訳（メタデータ） (2025-05-26T04:04:29Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• 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)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Lens: A Foundation Model for Network Traffic [19.3652490585798]
  Lensは、T5アーキテクチャを活用して、大規模な未ラベルデータから事前訓練された表現を学習するネットワークトラフィックの基礎モデルである。 Masked Span Prediction(MSP)、Packet Order Prediction(POP)、Homologous Traffic Prediction(HTP)の3つの異なるタスクを組み合わせた新しい損失を設計する。
  論文  参考訳（メタデータ） (2024-02-06T02:45:13Z)
• Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting [11.253575460227127]
  本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。 次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T02:37:36Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。