一种轻量、高效且按设计可解释的卷积神经网络用于互联网流量分类
机器学习
2023-06-07 v4
摘要
流量分类，即识别网络中流动的应用类型，对众多活动（如入侵检测、路由）是一项战略性任务。该任务面临当前深度学习方法尚未解决的一些关键挑战。当前方法的设计未考虑网络硬件（如路由器）常以有限计算资源运行的事实。此外，它们未满足监管机构强调的忠实可解释性需求。最后，这些流量分类器在小型数据集上评估，无法反映真实场景中应用的多样性。因此，本文引入了一种新的轻量、高效且按设计可解释的卷积神经网络（LEXNet）用于互联网流量分类，其依赖于一个新的残差块（出于轻量与高效目的）与原型层（出于可解释性目的）。基于商用级数据集，我们的评估表明 LEXNet 成功保持了与性能最佳的前沿神经网络相同的准确率，同时提供了前述附加特性。此外，我们阐释了方法的可解释性特征，其源于向终端用户传达检测到的应用原型，并通过与事后方法的比较凸显了 LEXNet 解释的忠实性。
引用
@article{arxiv.2202.05535,
title = {A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification},
author = {Kevin Fauvel and Fuxing Chen and Dario Rossi},
journal= {arXiv preprint arXiv:2202.05535},
year = {2023}
}
备注
Accepted for publication in the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Long Beach, USA, 2023