Неуловимый дрифт: Как сохранить точность анализа сетевого трафика во времени

Результаты тестирования стабильности набора данных CESNET-TLS-Year22 демонстрируют, что использование V-B отбора позволяет выявить наиболее подверженные смещению классы, что критически важно для обеспечения надежности системы.

В новой работе представлена методика оценки стабильности наборов данных для классификации сетевого трафика, позволяющая вовремя обнаруживать изменения и поддерживать высокую точность моделей.

Трафик будущего: самообучающиеся модели для умных городов

Сеть, представленная на рисунке, использует двухкомпонентную архитектуру: модуль обработки временных рядов на графах с кодировщиком-декодировщиком и модуль шумоподавления на основе автоэнкодера, обеспечивающий устойчивую компрессию признаков и передачу локальных представлений в глобальные посредством адаптера, направляющего матрицу запросов для декодировщика, при этом некоторые модули совместно используются различными клиентами.

Новый подход к прогнозированию дорожного трафика позволяет создавать персонализированные модели без ручной настройки, используя возможности федеративного обучения и адаптации к локальным условиям.