論文の概要: NetAgent: Multi-Task Agentic Network Traffic Analysis Made Practical
- arxiv url: http://arxiv.org/abs/2610.07386v1
- Date: Mon, 05 Oct 2026 20:58:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.661913
- Title: NetAgent: Multi-Task Agentic Network Traffic Analysis Made Practical
- Title（参考訳）: NetAgent:マルチタスクエージェントネットワークトラフィック分析を実践
- Abstract要約: NetAgentはマルチタスクトラフィック分析のための最初のエージェントフレームワークである。
複雑なタスク理解、オンザフライの分解とオーケストレーション、動的リプランニング、ロングホライゾン分析をサポートする。
- 参考スコア（独自算出の注目度）: 53.87671627926138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Network traffic analysis is central to network security, spanning tasks from intrusion detection to encrypted traffic classification. Existing approaches either train task-specific models that generalize poorly or rely on costly traffic foundation models that still struggle under distribution shift. We present NetAgent, the first agentic framework for multi-task traffic analysis. Through a carefully designed agent loop, NetAgent supports complex task understanding, on-the-fly decomposition and orchestration, dynamic replanning, and long-horizon analysis, without task-specific training. It introduces five key designs: (1) knowledge-augmented workflow planning that maps attack knowledge to traffic features to bridge the semantic gap; (2) a comprehensive tool action space with 150+ verified tools extracted from 50+ published systems; (3) a unified code execution space for flexible action composition; (4) a three-tier memory for long-term knowledge consolidation; and (5) sandboxing and runtime repair for reliable execution. Across 9 major benchmarks, NetAgent outperforms all baselines (23 single-task and 5 multi-task) on nearly all tasks and generalizes substantially better to unseen traffic distribution (90.04% F1 vs. 2.74% and 3.04% for the best single-task and multi-task baselines) and under realistic background shift (4.85-point F1 drop vs. 74.88-point and 74.80-point drop for the best single-task and multi-task baselines). These results reveal that existing methods owe much of their reported success to overfitting dataset-specific patterns and degrade sharply in realistic network environments, while NetAgent's agentic design remains accurate, generalizable, and robust.
- Abstract（参考訳）: ネットワークトラフィック分析は、侵入検知から暗号化されたトラフィック分類までのタスクにまたがるネットワークセキュリティの中心である。
既存のアプローチでは、タスク固有のモデルをトレーニングし、一般化が不十分であるか、あるいは分散シフトの下で依然として苦労しているコストのかかるトラフィック基盤モデルに依存しているかのどちらかです。
マルチタスクトラフィック分析のための最初のエージェントフレームワークであるNetAgentを提案する。
慎重に設計されたエージェントループを通じて、NetAgentはタスク固有のトレーニングなしで複雑なタスク理解、オンザフライの分解とオーケストレーション、動的リプランニング、長期水平分析をサポートする。
2)50以上のシステムから抽出された150以上の検証済みツールを備えた総合的なツールアクションスペース,(3)フレキシブルなアクションコンポジションのための統一コード実行スペース,(4)長期的な知識統合のための3層メモリ,(5)サンドボックスと実行時の信頼性のある実行のための修復である。
9つの主要なベンチマークで、NetAgentは全てのベースライン(23のシングルタスクと5のマルチタスク)をほぼ全てのタスクで上回り、トラフィック分布(90.04% F1対2.74%と3.04%)と現実的な背景シフト(4.85ポイントF1対74.88ポイントと74.80ポイント)で、最高のシングルタスクとマルチタスクベースラインで大幅に向上する。
これらの結果は、既存の手法は、データセット固有のパターンを過度に適合させ、現実的なネットワーク環境において著しく低下させるのに、報告された成功のほとんどを負っていることを示している。
関連論文リスト
- ANT: A Multi-Granularity Network Traffic Dataset and Benchmark for Agents Behavior Auditing [21.257355782919984]
ANT(Agent Network Traffic)は、エージェントの行動情報を提供するデータセットである。
エージェントリスク識別,シナリオ認識,行動プリミティブ分類のためのベンチマークを13の代表的なトラフィック分析ベースラインを用いて構築する。
論文 参考訳（メタデータ） (2026-10-05T15:30:02Z) - A Large-Scale Benchmark and Risk Assessment of Traffic Analysis Attacks on Cloud LLM Services [3.8957143647621515]
クラウドベースの大規模言語モデルサービスは、暗号化にもかかわらずモデル、プロンプト、タスクの振る舞いを公開できるネットワークレベルのトラフィックサイドチャネルを作成する。
ユーザ間での暗号化トラフィックの統一計測と公開ベンチマークを,LLMとマルチエージェントで実施した。
論文 参考訳（メタデータ） (2026-09-25T18:13:58Z) - GTA: Generating Long-Horizon Tasks for Web Agents at Scale [82.43869456830664]
我々は、クローリング、検索ベースのシード、コンテキスト内生成、自動品質管理を統合したスケーラブルなフレームワーク、GTAを導入する。
eコマース、政府、フォーラム、ニュースをカバーする50以上のウェブサイトでパイプラインをインスタンス化し、マルチリンガルとマルチホップをカバーしています。
i) マルチホップWebエージェントタスク生成の形式化、(ii) 自動データ生成のための効率的で検証されたパイプラインの提案、(iii) 再現可能な評価を伴う動的ベンチマークのリリースである。
論文 参考訳（メタデータ） (2026-05-28T01:05:50Z) - Why Search When You Can Transfer? Amortized Agentic Workflow Design from Structural Priors [51.95306551061392]
エージェントワークフローの自動設計は、現在、タスクごとの反復検索に依存している。
本稿では,ワークフロー設計を再利用可能な構造的先入観に補正するフレームワークであるSWIFTを提案する。
SWIFTは5つのベンチマークで最先端の検索手法より優れている。
論文 参考訳（メタデータ） (2026-04-27T21:25:00Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - WebAgent-R1: Training Web Agents via End-to-End Multi-Turn Reinforcement Learning [36.47273215142354]
WebAgent-R1は、Webエージェントをトレーニングするためのエンドツーエンドのマルチターン強化学習フレームワークである。
WebArena-Liteベンチマークの実験は、WebAgent-R1の有効性を示し、Qwen-2.5-3Bのタスク成功率を6.1%から33.9%に向上させた。
In-depth Analysis revealed the effect of the thinking-based prompting strategy and test-time scaling through increase interaction for web task。
論文 参考訳（メタデータ） (2025-05-22T09:07:43Z) - 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) - Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。
本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
論文 参考訳（メタデータ） (2024-05-13T14:54:37Z) - NetGPT: Generative Pretrained Transformer for Network Traffic [16.864760276933918]
ネットワークトラフィックの事前訓練モデルでは,大規模生データを用いてネットワークトラフィックの本質的特性を学習することができる。
本稿では,トラフィックの理解と生成のための生成事前学習モデルNetGPTを提案する。
論文 参考訳（メタデータ） (2023-04-19T09:04:30Z) - HybridNets: End-to-End Perception Network [1.4287758028119788]
本稿では,マルチタスクのためのエンド・ツー・エンドの知覚ネットワークを体系的に研究する。
交通物体検出, 乾燥領域分割, レーン検出を同時に行うHybridNets という, マルチタスクを実現するエンド・ツー・エンドの知覚ネットワークを開発した。
論文 参考訳（メタデータ） (2022-03-17T02:29:12Z)
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。