面向网络流量分析的通用多模态表征学习
机器学习
2024-05-07 v1 人工智能
摘要
网络流量分析是网络管理、故障排查和安全的基本任务。诸如流量分类、异常检测和新颖发现等任务是从网络数据和测量中提取操作信息的基本任务。我们注意到，从深度包检查和基本机器学习向深度学习（DL）方法的转变，研究人员为每个特定问题定义并测试定制的DL架构。我们在此主张需要一种通用的DL架构，能够灵活解决不同的流量分析任务。我们通过提出一种基于通用数据适应模块的DL架构，后跟一种将提取信息概括为紧凑且丰富中间表征（即嵌入）的集成模块来测试这一想法。结果是一种灵活的多模态自编码器（MAE）管道，可解决不同用例。我们使用流量分类（TC）任务进行该架构的演示，因为它们允许我们定量地与最先进的解决方案进行比较。然而，我们认为MAE架构是通用的，可以用于学习在多个场景中有用的表征。在TC任务上，MAE的性能与替代方案相当或更好，同时避免了繁琐的特征工程，从而简化了DL解决方案在流量分析中的采纳。
引用
@article{arxiv.2405.02649,
title = {Generic Multi-modal Representation Learning for Network Traffic Analysis},
author = {Luca Gioacchini and Idilio Drago and Marco Mellia and Zied Ben Houidi and Dario Rossi},
journal= {arXiv preprint arXiv:2405.02649},
year = {2024}
}