MARC

 008250123s2024        us                              c    eng  d
■001000017164621
■00520250211153024
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342716444
■035    ▼a(MiAaPQ)AAI31633001
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aYin,  Yucheng.
■24510▼aPractical  Application  of  Deep  Generative  Models  to  Network  Traces  and  Use  Cases
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Sekar,  Vyas.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2024.
■520    ▼aThe  recent  advances  of  Deep  Generative  Models  (DGMs)  have  emerged  as  a  cornerstone  of  innovation  and  opened  new  frontiers  across  diverse  domains.  These  models,  which  are  designed  to  generate  new  data  samples  that  closely  resemble  high-dimensional,  real-world  data  using  deep  learning  techniques,  have  been  pivotal  in  their  applications.  Models  like  Generative  Adversarial  Networks  (GANs),  Diffusion  Models,  Transformers  (e.g.,  GPT,  BERT)  have  significantly  contributed  to  generating  high-quality,  diverse  samples  in  areas  such  as  images,  audio,  and  text  data.Compared  to  images  or  text,  an  under-explored  yet  significant  area  where  these  models  hold  immense  potential  is  the  generation  of  network  traces.  Network  traces  encompass  a  wide  range  of  data  types,  including  packet/flow  header  traces,  operational  logs,  security  event  logs  etc.  These  datasets  serve  both  near  real-time  management  tasks  for  monitoring  and  troubleshooting  (e.g.,  traffic  engineering,  anomaly  detection)  as  well  as  more  longitudinal  tasks  (e.g.,  traffic  trends,  forecasting,  new  pattern  emergence).Building  on  these  initial  promise  and  observations,  the  overarching  question  we  would  like  to  ask  in  this  thesis  is:  Can  we  practically  apply  these  DGMs  to  generate  realistic  synthetic  network  traces  and  be  potentially  useful  for  various  downstream  tasks  and  use  cases?  Given  the  promising  vision,  there  have  been  a  series  of  practical  challenges:  Fidelity,  Scalability,  Privacy,  Usability.  In  this  thesis,  as  the  first  step  towards  the  vision,  we  tackle  the  challenges  above  on  various  types  of  network  traces  and  DGMs  with  different  focuses.  We  make  three  key  contributions:  (1)  We  first  introduce  NetShare,  a  GAN-based  synthetic  IP  header  trace  generator.  (2)  Second,  we  introduce  DeepStore,  a  framework  for  evaluating  the  viability  of  deep  generative  compression  for  long-term  network  trace  storage.  (3)  Third,  we  introduce  CANGen,  a  domain-specific  generator  that  focuses  on  in-vehicle  CAN  trace  generation.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aElectrical  engineering
■653    ▼aDeep  generative  model
■653    ▼aMachine  learning
■653    ▼aNetwork  trace  generation
■653    ▼aNetwork  trace  storage
■653    ▼aSynthetic  data  generation
■690    ▼a0984
■690    ▼a0544
■690    ▼a0464
■71020▼aCarnegie  Mellon  University▼bElectrical  and  Computer  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164621▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books