論文の概要: TrafficInstruct: A Multi-Task Network Traffic Dataset and Benchmark for Instruction Tuning

• arxiv url: http://arxiv.org/abs/2611.03319v1
• Date: Mon, 02 Nov 2026 15:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:14:01.48235
• Title: TrafficInstruct: A Multi-Task Network Traffic Dataset and Benchmark for Instruction Tuning
• Title（参考訳）: TrafficInstruct: マルチタスクネットワークトラフィックデータセットとインストラクションチューニングのためのベンチマーク
• Abstract要約: TrafficInstructは、生のパケットキャプチャーと10タスクにわたる55,000の構造化された微調整レコードからなる、新たに収集されたデータセットである。 自動ワークフローは、制御されたソフトウェア実行、アタック実験、アプリケーションアクティビティからのトラフィックをキャプチャする。 サンプルソースを検証し、データセットを完全なコレクションセッションで分割し、同じセッションからすべてのサンプルをひとつのパーティションに保持します。 我々は,未適応の27B言語モデルであるマジョリティクラス,ランダムフォレスト,ET-BERTベースライン,および共有冷凍ベース上で個別に訓練されたタスク固有LoRAアダプタの評価を行った。
• 参考スコア（独自算出の注目度）: 65.22224367556623
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instruction tuning for multi-task network traffic analysis requires data with clearly defined sources, supervision targets, and evaluation conditions. We introduce TrafficInstruct, a newly collected dataset comprising raw packet captures and 55,000 structured supervised fine-tuning records across ten tasks: malware traffic detection, botnet detection, malicious DNS-over-HTTPS detection, Web attack detection, advanced persistent threat detection, encrypted VPN detection, Tor behavior detection, encrypted application/service classification, website fingerprinting, and application classification under concept drift. An automated workflow captures traffic from controlled software executions, attack experiments, and application activities. Labels are supported by task-specific collection evidence, including process or socket attribution, activity records, and execution outcomes. Filtering, sanitization, and task-specific transformations produce instructions, traffic observations, and structured answers. We verify sample sources and partition the dataset by complete collection sessions, keeping all samples from the same session within one partition. The benchmark defines allowed inputs, deterministic label mappings, fixed training/validation/test partitions, and task-wise scoring rules. We evaluate majority-class, random-forest, and ET-BERT baselines, an unadapted 27B language model, and independently trained task-specific LoRA adapters on a shared frozen base. Adapters are selected using validation data and evaluated on the corresponding test sets. Task-specific adaptation improves classification performance, supporting instruction tuning across diverse traffic-analysis tasks.
• Abstract（参考訳）: マルチタスクネットワークトラフィック分析のためのインストラクションチューニングには、明確に定義されたソース、監督対象、評価条件を持つデータが必要である。 マルウェアのトラフィック検出、ボットネット検出、悪意のあるDNS-over-HTTPS検出、Web攻撃検出、高度な永続的脅威検出、暗号化VPN検出、Tor行動検出、暗号化されたアプリケーション/サービス分類、ウェブサイトのフィンガープリント、コンセプトドリフトに基づくアプリケーション分類である。 自動ワークフローは、制御されたソフトウェア実行、アタック実験、アプリケーションアクティビティからのトラフィックをキャプチャする。 ラベルは、プロセスやソケットの属性、アクティビティレコード、実行結果など、タスク固有のコレクションエビデンスによってサポートされている。 フィルタリング、衛生化、タスク固有の変換は、指示、交通観測、構造化された回答を生成する。 サンプルソースを検証し、データセットを完全なコレクションセッションで分割し、同じセッションからすべてのサンプルをひとつのパーティションに保持します。 このベンチマークでは、許可された入力、決定論的ラベルマッピング、固定されたトレーニング/検証/テストパーティション、タスク単位のスコアリングルールが定義されている。 我々は,未適応の27B言語モデルであるマジョリティクラス,ランダムフォレスト,ET-BERTベースライン,および共有冷凍ベース上で個別に訓練されたタスク固有LoRAアダプタの評価を行った。 検証データを用いてアダプタを選択し、対応するテストセットで評価する。 タスク固有の適応は、分類性能を改善し、多様なトラフィック分析タスク間の命令チューニングをサポートする。

関連論文リスト

• VeriCUA: Verification as Agentic Exploration for Computer-Using Agents [95.35011917414766]
  コンピュータ利用エージェントの構築とスケーリングには、信頼性の高いタスク補完検証が必要である。 エージェント探索による検証のためのプラットフォームに依存しないフレームワークであるVeriCUAを提案する。
  論文  参考訳（メタデータ） (2026-10-29T17:45:26Z)
• 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)
• Semantic Robustness Probing via Inpainting: An Interactive Tool for Safety-Critical Object Detection [0.47248250311484113]
  安全クリティカルな領域で物体検出器をテストするには、ピクセルレベルの破損を超えた意味論的に意味のあるプローブが必要である。 本稿ではセマンティックロバストネス探索ツールSemProbeを紹介する。
  論文  参考訳（メタデータ） (2026-05-26T15:15:38Z)
• What Does Normal Even Mean? Evaluating Benign Traffic in Intrusion Detection Datasets [0.0]
  監視された機械学習技術は、高いタスクパフォーマンスを達成するためにラベル付きデータに依存している。 本稿では,複数の共通侵入検出データセットにおける良性トラフィックの構造について検討する。
  論文  参考訳（メタデータ） (2025-09-11T15:55:21Z)
• Label-Efficient Object Detection via Region Proposal Network Pre-Training [58.50615557874024]
  地域提案ネットワーク(RPN)に効果的な事前学習を提供するための簡単な事前学習タスクを提案する。 RPN事前学習のないマルチステージ検出器と比較して,本手法はダウンストリームタスク性能を継続的に改善することができる。
  論文  参考訳（メタデータ） (2022-11-16T16:28:18Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
  PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。 具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。 また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
  論文  参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。