用于可扩展动态多图生成的网络流数据集合成
机器学习
2025-05-13 v1 网络与互联网体系结构
摘要
由于隐私、安全和计算限制，获取真实网络数据集常常具有挑战性。在缺乏此类数据集的情况下，图生成模型成为创建合成数据集的关键工具。本文介绍了一种新型机器学习模型，用于生成能够代表真实网络的高保真合成网络流数据集。我们的方法采用基于随机克罗默克图生成器的结构生成器和基于表格生成对抗网络的特征生成器，生成动态多图。我们进一步采用 XGBoost（eXtreme Gradient Boosting）模型进行图对齐，以确保特征准确地叠加到生成的图结构上。我们使用新的指标评估该模型，这些指标衡量合成图的准确性和多样性。结果表明，我们的方法在准确性上优于以往的大规模图生成方法，同时保持类似的效率。我们还探讨了合成图数据集创建中准确性与多样性之间的权衡，这一主题在相关文献中涉及得不多。我们的贡献包括合成和评估大型真实网络流数据集，以及定义用于评估合成图生成模型的新指标。
引用
@article{arxiv.2505.07777,
title = {Synthesizing Diverse Network Flow Datasets with Scalable Dynamic Multigraph Generation},
author = {Arya Grayeli and Vipin Swarup and Steven E. Noel},
journal= {arXiv preprint arXiv:2505.07777},
year = {2025}
}