抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
インターネットトラフィック分類はISPまたはモバイルキャリアのための典型的問題であるので,統計的パケットヘッダ情報,深いパケット検査,または機械学習に基づく多くの研究がある。エンドツーエンド暗号化と動的ポートポリシーの最近の進歩により,機械または深層学習はパケット分類の精度を改善する重要な鍵である。さらに,ISPまたはモバイルキャリアは,ユーザパケットを計算またはセキュリティのために収集しながら,プライバシー問題を注意深く取り扱うべきである。連合学習と呼ばれる分散機械学習の最近の開発は,中央サーバにアップロードデータなしで,クライアント上で機械学習ジョブを協調的に行う。連合学習はユーザプライバシー保護に向けたオンデバイス学習フレームワークを提供するが,インターネットトラヒック分類の実現可能性と性能は完全には調べられていない。本論文では,プライバシー漏洩なしにインターネットアプリケーション識別のための集中型深層学習に匹敵する精度を達成できる,連合学習トラヒック分類プロトコル(FLIC)を提案した。FLICは,参加者が新しいアプリケーションの学習に参加するとき,新しいアプリケーションを分類できるが,これは以前の研究では行われていない。FLICクライアントのプロトタイプとTensorFlowのサーバの実装により,クライアントはパケットを収集し,オンデバイス訓練ジョブを実行し,訓練結果をFLICサーバと交換する。さらに,連合学習ベースパケット分類は,クライアントを横断して非独立かつ同一分散(非IID)トラヒックの下で88%の精度を達成することを示した。学習に参加するクライアントとして動的に分類できる新しいアプリケーションを加えたとき,92%の精度を達成した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】