NetDiffus：通过时间序列成像的扩散模型网络流量生成
网络与互联网体系结构
2023-10-10 v1 机器学习
摘要
网络数据分析如今几乎处于每种网络解决方案的核心。然而，由于现代网络复杂性、商业敏感性、隐私与监管限制等诸多原因，网络数据获取有限一直是持久挑战。本工作中，我们探索如何利用扩散模型（DM）近期进展生成合成网络流量数据。我们开发了端到端框架——NetDiffus，其首先将一维时间序列网络流量转换为二维图像，随后为原始数据合成代表性图像。我们证明NetDiffus优于基于生成对抗网络（GANs）的先进流量生成方法，所生成数据的保真度提升66.4%，下游机器学习任务表现提升18.1%。我们在七种多样流量轨迹上评估NetDiffus，并显示利用合成数据显著改善了流量指纹识别、异常检测与流量分类。
引用
@article{arxiv.2310.04429,
title = {NetDiffus: Network Traffic Generation by Diffusion Models through Time-Series Imaging},
author = {Nirhoshan Sivaroopan and Dumindu Bandara and Chamara Madarasingha and Guilluame Jourjon and Anura Jayasumana and Kanchana Thilakarathna},
journal= {arXiv preprint arXiv:2310.04429},
year = {2023}
}
备注
9 pages and 8 figures