FedSSL-NTC: A Robust Federated Self-Supervised Learning Framework for Network Traffic Classification Under Privacy Constraints
Notice bibliographique
Résumé
Network traffic classification (NTC) plays an essential role in managing, securing, and optimizing networks. Supervised learning methods face challenges such as label scarcity. Given that network traffic contains sensitive data and is distributed across multiple nodes, privacy-aware and scalable approaches are necessary for real-world deployment. In this paper, we introduce FedSSL-NTC, a privacy-enhancing federated framework that integrates self-supervised learning (SSL) and a traffic-adapted confident learning (CL) approach. In FedSSL-NTC, clients locally pretrain SSL models (Autoencoders or Tabular Contrastive Learning) and generate pseudo-labels. CL is then applied on the client side to reduce pseudo-label noise before federated classifier training. Robustness to non-independently and non-identically distributed (non-IID) data and class imbalance is achieved via FedProx, class-weighted loss, and a sample-size weighted FedAvg aggregation method. This framework uses Secure Aggregation to protect individual updates. On a self-generated + ISCX VPN-nonVPN dataset and the UCDavis–QUIC dataset, FedSSL-NTC achieves 95.88% and 98.24% accuracy (vs. centralized 96.29% and 98.76%), while reducing training time by approximately 4–5× through parallel client updates. The method outperforms recent federated/self-supervised baselines on the same evaluation protocol (e.g., 6% improvement compared to FS-GAN). Therefore, FedSSL-NTC offers a practical path to high-accuracy NTC under privacy constraints, non-IID distributions, and label scarcity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,007 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».