予測 masked graph autoencoder を使用した個々の NetFlow の予測

arXiv:2604.20483v2 Announce Type: cross 要旨：本稿では、グラフ構造と接続特徴を正確にモデル化することで、ネットワークフローレベルのトラフィック（NetFlow）を成功裏に予測できる概念実証型のグラフニューラルネットワーク（GNN）モデルを提案する。私たちは、IP、ポート、および接続ノードを含む等 size の不斉な双方向グラフに、スライディングウィンドウを使用し、ネットワークトラフィックを分割する。その後、GNN を使用してグラフ構造と接続特徴の進化をモデル化する。私達のアプローチは、接続が接続されるポートと IP の特定において優れられた結果を示し、特徴の再構築は強い予測ベースラインと競合する結果を呈する。全体として、私達の作品は、フローレベルの NetFlow 予測に対する GNN の使用を展示する。

arXiv:2604.20483v2 Announce Type: cross Abstract: In this paper, we propose a proof-of-concept Graph Neural Network model that can successfully predict network flow-level traffic (NetFlow) by accurately modelling the graph structure and the connection features. We use sliding-windows to split the network traffic in equal-sized heterogeneous bidirectional graphs containing IP, Port, and Connection nodes. We then use the GNN to model the evolution of the graph structure and the connection features. Our approach shows superior results when identifying the Port and IP to which connections attach, while feature reconstruction remains competitive with strong forecasting baselines. Overall, our work showcases the use of GNNs for per-flow NetFlow prediction.