論文の概要: From Ethernet to Wi-Fi: Flow Feature Selection and Construction for Traffic Classification

• arxiv url: http://arxiv.org/abs/2610.37007v1
• Date: Tue, 27 Oct 2026 10:50:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.261482
• Title: From Ethernet to Wi-Fi: Flow Feature Selection and Construction for Traffic Classification
• Title（参考訳）: イーサネットからWi-Fi:交通分類のためのフロー特徴の選択と構築
• Abstract要約: イーサネットデータに基づいてトレーニングされたフローベーストラフィック分類器は、Wi-Fiトラフィックに適用した場合、精度が低下する可能性がある。 本稿では,Wi-Fiフローの分類を可能にする機能の選択と構築のための5段階の手順を提案する。
• 参考スコア（独自算出の注目度）: 1.0439136407307046
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Flow-based traffic classifiers trained on Ethernet data may lose accuracy when applied to Wi-Fi traffic. This paper proposes a five-stage procedure for selecting and constructing features that enable Wi-Fi flow classification using models trained only on Ethernet data. The procedure removes the transport protocol identifier, examines rate dependence, compares feature distributions and the information each feature provides for the application classes, reduces redundancy, and constructs normalized packet-size and temporal features. Ethernet and Wi-Fi traffic are simulated in ns-3, with Wi-Fi using Best Effort access category. Labelled Wi-Fi data from six development scenarios are used for feature design, while a separate scenario is reserved for final testing. The evaluation compares feature sets, examines threshold sensitivity, and analyses classification errors under different traffic conditions.
• Abstract（参考訳）: イーサネットデータに基づいてトレーニングされたフローベーストラフィック分類器は、Wi-Fiトラフィックに適用した場合、精度が低下する可能性がある。 本稿では,イーサネットデータのみに基づいて学習したモデルを用いて,Wi-Fiフローの分類を可能にする機能の選択と構築のための5段階の手順を提案する。 このプロシージャはトランスポートプロトコル識別子を削除し、レート依存を調べ、特徴分布と各フィーチャがアプリケーションクラスに提供する情報を比較し、冗長性を低減し、正規化されたパケットサイズと時間的特徴を構築する。 イーサネットとWi-Fiのトラフィックはns-3でシミュレートされ、Wi-FiはBest Effortアクセスカテゴリを使用する。 6つの開発シナリオからの遅延Wi-Fiデータは機能設計に使用され、最終テストには別のシナリオが予約されている。 評価は特徴集合を比較し、閾値感度を調べ、異なる交通条件下での分類誤差を分析する。

関連論文リスト

• Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection [83.90563802153707]
  PLUSNetは高品質のSmallオブジェクト検出フレームワークである。 上流の特徴を浄化するための階層的特徴(HFP)フレームワーク、中流トレーニングサンプルの品質を改善するための多重基準ラベル割り当て(MCLA)、下流タスクを達成するためにより効果的に情報を活用するための周波数分離ヘッド(FDHead)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-04-29T10:11:03Z)
• 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)
• FUSED-Net: Detecting Traffic Signs with Limited Data [2.111102681327218]
  本稿では,交通信号検出のための高速RCNN「FUSED-Net」を提案する。 従来のアプローチとは異なり、トレーニング中にすべてのパラメータを凍結しないようにし、限られたサンプルからFUSED-Netを学習できるようにします。 1ショット,3ショット,5ショット,10ショットのシナリオでそれぞれ2.4倍,2.2倍,1.5倍,1.3倍の改善を実現しています。
  論文  参考訳（メタデータ） (2024-09-23T09:34:42Z)
• NetBench: A Large-Scale and Comprehensive Network Traffic Benchmark Dataset for Foundation Models [15.452625276982987]
  ネットワークトラフィック(ネットワークトラフィック、英: network traffic)は、インターネット上のコンピュータやサイバー物理システム間のパケットの形で送信されるデータ量である。 我々は,ネットワークトラフィック分類と生成タスクの両方において,機械学習モデル,特に基礎モデルを評価するための大規模かつ包括的なベンチマークデータセットであるNetBenchを紹介した。
  論文  参考訳（メタデータ） (2024-03-15T14:09:54Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• Extensible Machine Learning for Encrypted Network Traffic Application Labeling via Uncertainty Quantification [0.0]
  ラベル付き仮想プライベートネットワーク(VPN)暗号化ネットワークトラフィックを10のアプリケーションで生成し,5つのアプリケーションカテゴリに対応する,新たなパブリックなネットワークトラフィックデータセットを提案する。 また、控えめなデータ要件で迅速にトレーニングし、キャリブレーションされた予測確率と、新しいトラフィックサンプルにフラグをつけるための解釈可能なアウト・オブ・ディストリビューション(OOD)スコアを提供するように設計されたMLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-11T16:54:37Z)
• A Hierarchical Terminal Recognition Approach based on Network Traffic Analysis [0.48298211429517085]
  本稿では,グリッドデータの詳細を適用した階層型端末認識手法を提案する。 我々はグリッドデータをセグメント化して2段階のモデル構造を構築した。 特徴の選定と再構築により、3つのアルゴリズムを組み合わせて端末の型を正確に識別する。
  論文  参考訳（メタデータ） (2022-04-16T05:33:01Z)
• ZippyPoint: Fast Interest Point Detection, Description, and Matching through Mixed Precision Discretization [71.91942002659795]
  我々は,ネットワーク量子化技術を用いて推論を高速化し,計算限定プラットフォームでの利用を可能にする。 バイナリディスクリプタを用いた効率的な量子化ネットワークZippyPointは,ネットワーク実行速度,ディスクリプタマッチング速度,3Dモデルサイズを改善する。 これらの改善は、ホモグラフィー推定、視覚的ローカライゼーション、マップフリーな視覚的再ローカライゼーションのタスクで評価されるように、小さなパフォーマンス劣化をもたらす。
  論文  参考訳（メタデータ） (2022-03-07T18:59:03Z)
• A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification [9.365794791156972]
  本稿では、インターネットトラフィック分類のための新しい軽量・効率的・eXplainable-by-design畳み込みニューラルネットワーク(LEXNet)を提案する。 LEXNetは(軽量で効率の良い目的のために)新しい残留ブロックと(説明可能性のために)プロトタイプ層に依存している。 商用グレードのデータセットに基づいて、LEXNetは最先端のニューラルネットワークと同じ精度を維持することに成功した。
  論文  参考訳（メタデータ） (2022-02-11T10:21:34Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。