WWWJul, 2023

TFE-GNN：一种使用图神经网络的时间融合编码器，用于精细化的加密流量分类

PDF
TL;DR本研究提出了一种基于点互信息的字节级流量图构建方法，并结合图神经网络，设计了名为 TFE-GNN 的模型用于特征提取，在细粒度的加密流量分类任务中，TFE-GNN 优于多种最先进的方法。
encrypted traffic classificationbyte-level traffic graph constructiontemporal fusion encoder using graph neural networksfeature extractionfine-grained encrypted traffic classification
发现论文，激发创造
  • 一个训练实现两个任务的框架：使用监督对比学习的加密流量分类

    在本文中，我们提出了一种名为对比学习增强时域融合编码器（CLE-TFE）的有效模型，通过使用监督对比学习增强数据包级别和流级别的表示，并对字节级流量图进行图数据增强，以捕捉字节之间的细粒度语义无关特性。我们还提出了跨级多任务学习，使用同一模型在一个训练中同时完成数据包级别和流级别的分类任务。进一步的实验表明，CLE-TFE 在两个任务上实现了最好的整体性能，而其计算开销（即浮点运算次数，FLOPs）仅为预训练模型（例如 ET-BERT）的 1/14。我们在此 https URL 上发布了代码。

    Feb, 2024

  • 基于 GNN 的编码网络流量异常检测

    本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

    May, 2024

  • 基于时空融合的图神经网络用于交通流量预测

    本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

    Dec, 2020

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 交通预测的时序图学习循环神经网络

    通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

    Jun, 2024

  • FPTN：用于交通流量预测的快速纯 Transformer 网络

    本文研究通过提出一种快速的 Transformer 网络来预测交通流量，该网络能够准确地捕捉交通数据中的复杂时空依赖关系，同时大大降低了计算时间和计算资源的要求。

    Mar, 2023

  • FDTI：基于路网增强的图网络的细粒度深度交通推断

    本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型，通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒，以预测城市细粒度交通流量，并在实验中证明了该模型优于现有方法。

    Jun, 2023

  • 时序网络的高斯嵌入

    TGNE 是一种创新方法，通过在潜在空间中使用高斯分布的分段线性轨迹将节点嵌入，捕捉结构信息和轨迹的不确定性。结果表明，TGNE 在重新构建未观察到的边交互以及建模不确定性方面具有竞争力。

    May, 2024

  • 一种新型混合时变图神经网络用于交通流预测

    提出了一种用于交通流预测的混合时变图神经网络 (HtvgNN)。

    Jan, 2024

  • TGNN: 一个用于图级分类的联合半监督框架

    研究了半监督图分类，提出了一种名为 Twin Graph Neural Network（TGNN）的新型半监督框架，旨在利用图拓扑导出的特征以及充分利用未标记数据，通过消息传递模块和图内核模块来探索来自互补视图的图结构信息，同时通过交换实例相似性知识来协作学习标记和未标记数据的结构信息，最终在各个公共数据集上取得了良好的性能。

    Apr, 2023