【论文阅读】STAN：Synthetic Network Traffic Generation with Generative Neural Models
CCF none
STAN：用生成神经模型生成合成网络流量
Xu S , Marwah M , Ramakrishnan N . STAN: Synthetic Network Traffic Generation using Autoregressive Neural Models[J]. 2020.
文章目录
- 概述
- 方法
- 训练阶段
- 生成数据阶段
- 损失函数
- IP地址和端口号建模
- 数据集
- Baselines
- 评价指标
- 总结
- 优点
- 缺点
- 代码地址
- 值得注意的参考文献
概述
深度学习缺数据集，出于隐私考虑，数据集不愿意共享。
现有的生成数据集的方法在捕获属性间、跨时间的复杂依赖结构方面不足。
本文提出了STAN（基于自回归神经模型的合成网络流量生成），包括卷积神经层、混合密度神经层（MDN）和Softmax层。我们的新神经结构捕获了任何给定时间的时间依赖性和属性之间的依赖性。
用合成数据和真实数据分别训练了两个基于自监督的异常检测模型。结果显示，仅用合成数据训练的模型的准确性只有很小的下降。
方法
模型架构如图2所示，将CNN层与密度混合网络[6]相结合。
CNN捕获时间和空间（属性之间）的依赖关系，而密度混合神经层使用学习到的表示来模拟联合分布。
在训练阶段，对于每一行，STAN将其之前的一个数据窗口作为输入。在这种情况下，神经网络学习每个属性的条件分布。连续属性和离散属性都可以被建模。密度混合神经层用于连续属性，而softmax层用于离散属性。
训练阶段
允许并行
生成数据阶段
不允许并行
损失函数
对mdn和softmax分别定义了损失函数
mdn层采用负对数似然损失(NLL)，softmax层采用交叉熵损失。
IP地址和端口号建模
这里写的有点意思
【论文阅读】STAN：Synthetic Network Traffic Generation with Generative Neural Models相关推荐
- 《论文阅读》Multi-Task Learning of Generation and Classification for Emotion-Aware Dialogue Response Gener
<论文阅读>Multi-Task Learning of Generation and Classification for Emotion-Aware Dialogue Response ...
- [论文阅读] Action Semantics Network: Considering the Effects of Actions in Multiagent System
[论文阅读] Action Semantics Network: Considering the Effects of Actions in Multiagent System 原文链接:https: ...
- 《论文阅读》PLATO: Pre-trained Dialogue Generation Model with Discrete Latent Variable
<论文阅读>PLATO: Pre-trained Dialogue Generation Model with Discrete Latent Variable 简介 论文试图解决什么问题 ...
- 【论文阅读】A Point Set Generation Network for 3D Object Reconstruction from a Single Image
论文题目: A Point Set Generation Network for 3D Object Reconstruction from a Single Image (由单张图像进行三维物体重建 ...
- 毫米波点云生成论文 阅读笔记 | 3D Point Cloud Generation with Millimeter-Wave Radar
毫米波点云生成论文 | 3D Point Cloud Generation with Millimeter-Wave Radar Kun Qian, Zhaoyuan He, Xinyu Zhang ...
- 【推荐系统-＞论文阅读】Towards the Next Generation of Recommender Systems（推荐系统综述，下一代推荐系统： 最新技术和可能扩展）
Towards the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Ex ...
- 论文阅读-Endmember-Guided Unmixing Network (EGU-Net) 端元指导型高光谱解混网络
标题:端元引导分解网络(EGU-NET):一种通用的自监督高光谱分解深度学习框架 期刊: IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTE ...
- 论文阅读：Single Image Dehazing via Conditional Generative Adversarial Network
Single Image Dehazing via Conditional Generative Adversarial Network Runde Li∗ Jinshan Pan∗ Zechao L ...
- 论文阅读笔记《Attentive Weights Generation for Few Shot Learning via Information Maximization》
小样本学习&元学习经典论文整理||持续更新 核心思想 本文提出一种基于权重生成的小样本学习算法(AWGIM),这种类型的方法之前在小样本目标检测算法中见到过,就是直接用一个生成器生成分类器 ...
最新文章
- phpstorm安装_PHPstorm设置浏览器打开代码
- R 语言中 X11 相关的一些问题
- Git 分支 - 分支的新建与合并
- 无插件HTML,HTML5+CSS3实现无插件拖拽上传图片（支持预览与批量）分享！
- html5游戏指尖跟随,图片跟随手指滑动
- [JSOI2008 Prefix火星人]
- Android中的音频播放（MediaPlayer和SoundPool）
- vim永久取消空格颜色
- 前端学习（576）：margin无效情形之内联特性导致无效
- 【转】什么是SIEM？
- 集合添加元素python_Python 集合（Set）
- 《统计学习方法》代码全解析——第十二部分监督学习方法总结
- [LibTorch] Tensor 与 Mat 相互转换
- 自监督学习(Self-supervised Learning)的深刻理解
- HP ProLiant DL380 Gen9 升级到 ESXi 7.0 U3
- Python 第五篇 自制数字贺卡
- 前端在登录时如何将用户密码加密
- MATLAB De_Pcode Mex 求助
- 【Java】文件管理器
- c语言程序设计作业电话簿,C语言设计简易电话簿
热门文章