Large-Scale Network Traffic Classification Using Graph Clustering-Enhanced E-GraphSAGE
Notice bibliographique
Résumé
Network traffic classification is a key technology for intrusion detection systems, but traditional methods face bottlenecks such as high computational complexity and large memory consumption when handling large-scale graph-structured data. To address this challenge, this paper proposes the Cluster-E-GraphSAGE framework, which innovatively combines edge-aware graph neural networks with the METIS graph partitioning algorithm to achieve efficient processing of large-scale network traffic graphs through an efficient subgraph partitioning strategy and edge-aware message passing mechanism. The framework supports multi-directed graph structures, completely preserving edge multiplicity and feature attributes, and significantly reduces computational complexity and memory overhead through edge-based subgraph partitioning. Experiments on the standard NF-BoT-IoT and NF-ToN-IoT datasets show that Cluster-E-GraphSAGE performs particularly well in multi-class classification tasks, achieving F1 scores of 92.82% and 81.32% respectively, which are 11.23% and 23.6% improvements over baseline methods. Meanwhile, it reduces memory usage by 4-7 times and GPU memory by 8-11 times. The research results verify that the method maintains high classification accuracy while significantly reducing memory overhead in resource-constrained environments, demonstrating its application potential in real-time intrusion detection scenarios.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 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 ».