論文の概要: Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
- arxiv url: http://arxiv.org/abs/2609.07156v1
- Date: Mon, 07 Sep 2026 07:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 01:24:05.670201
- Title: Frequency-Domain Mixing Data Augmentation for Malicious Traffic Detection
- Title（参考訳）: 悪質交通検知のための周波数領域混合データ拡張
- Abstract要約: ネットワークトラフィックデータに対する周波数領域混合データ拡張法を提案する。
本手法は,多様なネットワーク環境における検出性能を大幅に向上させる。
- 参考スコア（独自算出の注目度）: 7.135682476758867
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The strong dynamics of network traffic often force malicious traffic detection models to handle out-of-distribution data. Typically, deep learning-based malicious traffic detection models require a large amount of high-quality training data. However, owing to challenges such as high labeling difficulty and resource consumption, existing datasets often suffer from insufficient diversity and fail to capture evolving traffic patterns, leading to poor out-of-distribution generalization ability of the trained models. Data augmentation has been widely adopted to improve data diversity and model generalization. Recently, frequency-domain mixing augmentation has shown promising performance because it effectively perturbs data while preserving key structural information. This approach shows potential for enhancing malicious traffic detection models. However, existing studies lack theoretical interpretation of the mixing mechanism, and do not adapt to the characteristics of network traffic. In this paper, we first conduct a theoretical analysis of the current frequency-domain mixing method, revealing its underlying principles and limitations. We further propose an improved frequency-domain mixing-based data augmentation method for network traffic data, which enhances the diversity of sequence features in network traffic and improves the out-of-distribution generalization of malicious traffic detection models. Extensive experiments on multiple artificial and real-world datasets demonstrate that our method substantially improves detection performance across diverse network environments and outperforms other data augmentation approaches.
- Abstract（参考訳）: ネットワークトラフィックの強いダイナミクスは、悪意のあるトラフィック検出モデルにアウト・オブ・ディストリビューションデータの処理を強制することが多い。
通常、ディープラーニングベースの悪意のあるトラフィック検出モデルは、大量の高品質なトレーニングデータを必要とする。
しかしながら、ラベル付けの困難さやリソース消費などの課題のため、既存のデータセットは多様性の不足や、進化するトラフィックパターンのキャプチャに失敗することが多く、トレーニングされたモデルの配布外一般化能力の低下につながっている。
データ拡張は、データの多様性とモデルの一般化を改善するために広く採用されている。
近年,鍵構造情報を保存しながらデータ摂動を効果的に行うため,周波数領域混合処理は有望な性能を示した。
このアプローチは、悪意のあるトラフィック検出モデルを強化する可能性を示している。
しかし、既存の研究では混合機構の理論的な解釈が欠如しており、ネットワークトラフィックの特性に適応していない。
本稿では、まず、現在の周波数領域混合法の理論解析を行い、その原理と限界を明らかにする。
さらに、ネットワークトラフィックにおけるシーケンスの特徴の多様性を高め、悪意のあるトラフィック検出モデルの配布外一般化を改善する、ネットワークトラフィックデータに対する周波数領域混合データ拡張手法を提案する。
複数の人工的および実世界のデータセットに対する大規模な実験により、本手法は多様なネットワーク環境における検出性能を大幅に向上し、他のデータ拡張手法よりも優れていることが示された。
関連論文リスト
- A Time-Enhanced Data Disentanglement Network for Traffic Flow Forecasting [0.3203976017867677]
交通流予測(TEDDN)のための時間拡張データ分散ネットワーク
TEDDNは、もともと複雑で絡み合ったトラフィックデータを安定したパターンとトレンドに分解する。
論文 参考訳（メタデータ） (2025-06-03T08:28:48Z) - Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。
事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。
その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
論文 参考訳（メタデータ） (2025-04-22T07:42:07Z) - 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) - Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach [12.549916064729313]
本稿では拡散型トラフィック行列解析フレームワークDiffusion-TMを提案する。
我々は,データセットに5%の既知値が残されている場合でも,我々のフレームワークが有望な結果を得ることができることを示す。
論文 参考訳（メタデータ） (2024-11-29T06:20:34Z) - 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) - Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。
本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
論文 参考訳（メタデータ） (2024-03-27T15:57:42Z) - Improving the generalizability and robustness of large-scale traffic
signal control [3.8028221877086814]
交通信号の制御における深部強化学習(RL)アプローチの堅牢性について検討する。
欠落したデータに対して,近年の手法が脆弱なままであることを示す。
政策アンサンブルによる分散強化学習とバニラ強化学習の組み合わせを提案する。
論文 参考訳（メタデータ） (2023-06-02T21:30:44Z) - Towards better traffic volume estimation: Jointly addressing the
underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。
上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
論文 参考訳（メタデータ） (2023-03-10T02:22:33Z) - Semantic Perturbations with Normalizing Flows for Improved
Generalization [62.998818375912506]
我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。
トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
論文 参考訳（メタデータ） (2021-08-18T03:20:00Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-16T18:39:04Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳（メタデータ） (2020-03-10T03:10:41Z)
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。