边缘网络中的分布式流量合成与分类：一种联邦自监督学习方法
机器学习
2023-02-02 v1 分布式、并行与集群计算
网络与互联网体系结构
摘要
随着无线服务需求的上升以及数据保护意识的增强，现有的网络流量分析与管理架构在分类与合成日益多样的服务与应用方面正面临前所未有的挑战。本文提出 FS-GAN，一种联邦自监督学习框架，用以支持在大量异构数据集上的自动流量分析与合成。FS-GAN 由多个分布式生成对抗网络（GANs）组成，包含一组生成器，每个生成器旨在生成遵循某一特定服务流量分布的合成数据样本，每个判别器则被训练以区分合成数据样本与本地数据集的真实数据样本。采用基于联邦学习的框架来协调不同数据集上不同 GANs 的本地模型训练过程。FS-GAN 可对未知服务类型的数据进行分类，并创建捕捉未知类型流量分布的合成样本。我们证明 FS-GAN 能最小化所有数据集真实数据分布与合成数据样本分布之间的 Jensen-Shannon 散度（JSD）。FS-GAN 还最大化不同生成器所创建数据样本分布间的 JSD，从而使每个生成器产生与某一特定服务类型同分布的合成数据样本。大量仿真结果表明，FS-GAN 的分类准确率相较最先进的基于聚类的流量分析算法平均提升超 20%。FS-GAN 还能够在无需任何人工标注数据样本的情况下合成高度复杂的混合流量类型。
引用
@article{arxiv.2302.00207,
title = {Distributed Traffic Synthesis and Classification in Edge Networks: A Federated Self-supervised Learning Approach},
author = {Yong Xiao and Rong Xia and Yingyu Li and Guangming Shi and Diep N. Nguyen and Dinh Thai Hoang and Dusit Niyato and Marwan Krunz},
journal= {arXiv preprint arXiv:2302.00207},
year = {2023}
}
备注
published as early access at IEEE Transactions on Mobile Computing, January 2023