論文の概要: CESNET-TimeSeries26: A Multi-Year Network Traffic Time Series Dataset for Annual Seasonality, Concept Drift, and Long-Term Anomaly Detection

• arxiv url: http://arxiv.org/abs/2610.14799v1
• Date: Sat, 10 Oct 2026 10:49:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.105648
• Title: CESNET-TimeSeries26: A Multi-Year Network Traffic Time Series Dataset for Annual Seasonality, Concept Drift, and Long-Term Anomaly Detection
• Title（参考訳）: CESNET-TimeSeries26: 年次シーズン, コンセプトドリフト, 長期異常検出のためのマルチ年ネットワークトラフィック時系列データセット
• Abstract要約: CESNET-TimeSeries26は、CESNET3ネットワークから995日間の連続的なトラフィックタイムシリーズで構成されている。 データセットは278,466のIPアドレス、285の機関、566の機関を3つのアグリゲーション間隔で取得する。 年間季節が支配的な周期成分であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecast-based models are fundamental to network traffic management and anomaly detection. However, it is essential to evaluate these forecasting models over extended periods of time in order to assess their adaptability to unexpected phenomena and shifts in underlying patterns. This kind of long-term evaluation requires multi-year data to account for yearly seasonality and behavioral drift. Existing public datasets are too short to support such long-horizon forecasting tasks. We introduce CESNET-TimeSeries26, comprising 995 days of continuous traffic time series from the CESNET3 network, together with a single subnet spanning approximately 4.5 years. The dataset captures 278,466 IP addresses, 285 institutions, and 566 institutional subnets at three aggregation intervals. The dataset provides a definitive longitudinal benchmark for evaluating forecasting models in both operational management and security monitoring. We demonstrate that annual seasonality is the dominant periodic component. Moreover, we show that a forecasting model can exploit the annual component only when its training window covers at least one complete annual cycle, which no sub-year dataset provides.
• Abstract（参考訳）: 予測に基づくモデルは、ネットワークトラフィック管理と異常検出に不可欠である。 しかし、これらの予測モデルを長期にわたって評価し、予期せぬ現象への適応性や、基礎となるパターンの変化を評価することが不可欠である。 この種の長期評価には、季節性や行動の漂流を考慮した複数の年次データが必要である。 既存の公開データセットは、このような長期予測タスクをサポートするには短すぎる。 CESNET-TimeSeries26は、CESNET3ネットワークから995日間の連続的なトラフィックタイムシリーズと、約4.5年にわたる単一のサブネットで構成されています。 データセットは278,466のIPアドレス、285の機関、566の機関のサブネットを3つのアグリゲーション間隔で取得する。 このデータセットは、運用管理とセキュリティ監視の両方において、予測モデルを評価するための決定的な時系列ベンチマークを提供する。 年間季節が支配的な周期成分であることを示す。 さらに、トレーニングウィンドウが少なくとも1つの完全な年次サイクルをカバーする場合にのみ、予測モデルが年次コンポーネントを活用できることを示し、これはサブ年次データセットが提供しない。

関連論文リスト

• Zero-Shot Transfer Capabilities of the Sundial Foundation Model for Leaf Area Index Forecasting [7.291936902557843]
  本研究では,農業モニタリングにおけるリーフ面積指数(LAI)予測のための時系列基盤モデルのゼロショット予測能力について検討した。 ゼロショット設定では、入力コンテキストウィンドウが十分に長期的であるため、Sundialは十分に訓練されたLSTMより優れていることが判明した。 その結果, 農業・環境分野において, 実効的なプラグアンドプレイ予測を行うための事前学習型時系列基盤モデルの強みが浮き彫りとなった。
  論文  参考訳（メタデータ） (2025-11-25T07:14:50Z)
• ForecastGAN: A Decomposition-Based Adversarial Framework for Multi-Horizon Time Series Forecasting [0.5213778368155993]
  時系列予測は、ファイナンスからサプライチェーン管理までの領域で必須である。 本稿では,マルチホライズン予測のための新しい解析手法であるForecastGANを紹介する。 ForecastGANは、短期予測のための最先端のトランスフォーマーモデルより一貫して優れており、長期水平線では競争力を維持している。
  論文  参考訳（メタデータ） (2025-11-06T15:19:23Z)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• TimePFN: Effective Multivariate Time Series Forecasting with Synthetic Data [22.458320848520042]
  TimePFNは、ベイズ推定の近似を目的としたPFN(Presideed-data Fitted Networks)の概念に基づいている。 我々は、いくつかのベンチマークデータセット上でTimePFNを評価し、MSS予測のための既存の最先端モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-22T16:55:14Z)
• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Generative Pretrained Hierarchical Transformer for Time Series Forecasting [3.739587363053192]
  予測のための新しい生成事前学習型階層型トランスフォーマーアーキテクチャ,textbfGPHTを提案する。 主流の自己教師付き事前学習モデルと教師付きモデルを用いて,8つのデータセット上で十分な実験を行う。 その結果、GPHTは、従来の長期予測タスクにおいて、様々な微調整およびゼロ/フェーショット学習設定のベースラインモデルを上回ることを示した。
  論文  参考訳（メタデータ） (2024-02-26T11:54:54Z)
• Unified Long-Term Time-Series Forecasting Benchmark [0.6526824510982802]
  本稿では,時系列予測のための包括的データセットを提案する。 多様な動的システムと実生活記録から得られたデータセットのコレクションを組み込んだ。 多様なシナリオにおいて最も効果的なモデルを決定するために、古典的および最先端のモデルを用いて広範なベンチマーク分析を行う。 本研究は,これらのモデルの性能比較を興味深いものにし,モデルの有効性のデータセット依存性を強調した。
  論文  参考訳（メタデータ） (2023-09-27T18:59:00Z)
• Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
  天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。 時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。 我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。 提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
  論文  参考訳（メタデータ） (2022-10-02T06:58:49Z)
• Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of Time Series [77.47313102926017]
  Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。 それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。 radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
  論文  参考訳（メタデータ） (2021-02-15T00:57:28Z)

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。