Self-Supervised Learning for Network Traffic Analysis in 5G Environments
Notice bibliographique
Résumé
The extensive deployment of$\mathbf{5 G}$networks facilitates more complicated issues on traffic identification, like high-speed data transmission, dynamic and diverse traffic patterns, and evolving security threats. Traditional supervised learning solutions suffer from a paucity of labeled data to input and the necessity for real-time adjustability. However, selfsupervised learning (SSL) has emerged as a beneficial alternative that utilizes unlabeled traffic data to generate strong representations that do not require manual annotations. This paper examines the SSL approaches for$\mathbf{5 G}$traffic analysis that cover anomaly detection, traffic classification, and intrusion prevention. These are then used for pre-training models on large-scale unlabeled traffic datasets with contrastive learning or reconstruction-based objectives and enable the approach to acquire valuable features that could improve downstream tasks. Their main novelties comprise adaptive pretext tasks optimized for 5 G peculiarities (e.g., slicing-aware embeddings), and lightweight edge-friendly architectures. Results on popular realworld 5G datasets show that SSL increases detection accuracy by$\mathbf{1 5 - 2 0 \%}$over supervised baselines in low-labeling scenarios, achieving sub-millisecond latency for real-time processing. It is also robust to new attack vectors and network conditions (high generalization). This research enhances computational efficiency for large-scale deployments by optimizing models for 5G edge nodes. The experiments further indicate that delays in secure streaming can significantly disrupt the functioning of autonomous network managers in 5 G, highlighting the importance of scalability, adaptability, and efficiency in nextgeneration traffic analysis.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».