基于生成对抗网络的联邦流量合成与分类
机器学习
2021-04-22 v1 人工智能
摘要
随着对新服务与应用需求的快速增长以及数据保护意识的增强，传统的集中式流量分类方法正面临前所未有的挑战。本文引入一种新颖框架——联邦生成对抗网络与自动分类（FGAN-AC），其将去中心化数据合成与流量分类相集成。FGAN-AC 能够基于去中心化本地数据集合成并分类多种类型的服务数据流量，无需大量人工标注数据集，亦不会造成任何数据泄露。提出并比较了两类数据合成方法：计算高效的 FGAN（FGAN-I）与通信高效的 FGAN（FGAN-II）。前者仅采用单一 CNN 模型处理各本地数据集，后者仅需协调中间模型训练参数。提出了一种自动数据分类与模型更新框架，用于从合成数据样本中自动识别未知流量并为模型训练生成新的伪标签。数值结果表明，我们所提框架能够合成高度混合的服务数据流量，并且相较现有方案可显著提升流量分类性能。
引用
@article{arxiv.2104.10400,
title = {Federated Traffic Synthesizing and Classification Using Generative Adversarial Networks},
author = {Chenxin Xu and Rong Xia and Yong Xiao and Yingyu Li and Guangming Shi and Kwang-cheng Chen},
journal= {arXiv preprint arXiv:2104.10400},
year = {2021}
}