Просмотр новости
Найдите то, что Вас интересует
Спутники
РН
SpaceX
Роскосмос
NASA
СпутникиРНSpaceXРоскосмосNASAИсследователи факультета вычислительной математики и кибернетики МГУ изучили методы машинного обучения для классификации мобильного трафика в условиях его шифрования и оценили возможность адаптации моделей с помощью переноса обучения (transfer learning). Работа посвящена анализу подходов, позволяющих выявлять закономерности в сетевых данных и адаптировать модели к изменяющимся условиям без полного переобучения. Работа была представлена на научной конференции «Ломоносовские чтения».
Классификация мобильного трафика важна для мониторинга сетей связи, контроля качества обслуживания и выявления аномалий. В современных мобильных сетях значительная часть данных передаётся в зашифрованном виде, что существенно ограничивает использование сигнатурных методов анализа и технологии глубокого анализа пакетов (Deep Packet Inspection, DPI). В этих условиях востребованы методы машинного обучения, способные автоматически извлекать информативные признаки и выявлять сложные зависимости в сетевых данных.
Ученые факультета ВМК МГУ провели анализ научных публикаций по данной теме, реализовали конвейер обработки данных (pipeline) для подготовки и анализа сетевых данных и построили модели машинного обучения. Были разработаны модели глубокого обучения и выполнена их экспериментальная оценка.
Отдельное внимание было уделено переносу обучения (transfer learning). Этот подход предполагает предварительное обучение модели на исходном наборе данных с последующей адаптацией к новому домену посредством дообучения. Такой механизм позволяет использовать уже обученные модели и адаптировать их к новым условиям без необходимости полного переобучения и сбора больших объёмов новых размеченных данных.
«Сегодня значительная часть мобильного трафика передаётся в зашифрованном виде, что существенно усложняет применение традиционных методов анализа сетевых данных. В нашей работе мы исследовали, насколько методы глубокого обучения могут быть применимы для классификации такого трафика и как перенос обучения позволяет адаптировать модели к новым условиям без полного переобучения», — отметил ассистент кафедры системного программирования факультета ВМК МГУ Александр Гетьман.
Полученные результаты позволяют оценить применимость методов глубокого обучения для классификации зашифрованного мобильного трафика и подтверждают возможность использования переноса обучения для адаптации моделей к изменяющимся условиям работы сетей и обновлениям приложений.
Исследователи факультета вычислительной математики и кибернетики МГУ изучили методы машинного обучения для классификации мобильного трафика в условиях его шифрования и оценили возможность адаптации моделей с помощью переноса обучения (transfer learning). Работа посвящена анализу подходов, позволяющих выявлять закономерности в сетевых данных и адаптировать модели к изменяющимся условиям без полного переобучения. Работа была представлена на научной конференции «Ломоносовские чтения».
Классификация мобильного трафика важна для мониторинга сетей связи, контроля качества обслуживания и выявления аномалий. В современных мобильных сетях значительная часть данных передаётся в зашифрованном виде, что существенно ограничивает использование сигнатурных методов анализа и технологии глубокого анализа пакетов (Deep Packet Inspection, DPI). В этих условиях востребованы методы машинного обучения, способные автоматически извлекать информативные признаки и выявлять сложные зависимости в сетевых данных.
Ученые факультета ВМК МГУ провели анализ научных публикаций по данной теме, реализовали конвейер обработки данных (pipeline) для подготовки и анализа сетевых данных и построили модели машинного обучения. Были разработаны модели глубокого обучения и выполнена их экспериментальная оценка.
Отдельное внимание было уделено переносу обучения (transfer learning). Этот подход предполагает предварительное обучение модели на исходном наборе данных с последующей адаптацией к новому домену посредством дообучения. Такой механизм позволяет использовать уже обученные модели и адаптировать их к новым условиям без необходимости полного переобучения и сбора больших объёмов новых размеченных данных.
«Сегодня значительная часть мобильного трафика передаётся в зашифрованном виде, что существенно усложняет применение традиционных методов анализа сетевых данных. В нашей работе мы исследовали, насколько методы глубокого обучения могут быть применимы для классификации такого трафика и как перенос обучения позволяет адаптировать модели к новым условиям без полного переобучения», — отметил ассистент кафедры системного программирования факультета ВМК МГУ Александр Гетьман.
Полученные результаты позволяют оценить применимость методов глубокого обучения для классификации зашифрованного мобильного трафика и подтверждают возможность использования переноса обучения для адаптации моделей к изменяющимся условиям работы сетей и обновлениям приложений.
| # | Наименование новости | Тональность | Информативность | Дата публикации |
|---|---|---|---|---|
| 1 | В МГУ предложили способ точной оценки качества автоматической сортировки писем | 0 | 5 | 16-06-2026 |
| 2 | Российские ученые исследуют возможности безопасного машинного обучения | 0 | 0 | 11-05-2021 |
| 3 | Malware Detection Using RNA Encoding and Convolutional Neural Networks on the Malicious Network Dataset [version 3; peer review: 2 approved] | 0 | 7 | 03-06-2026 |
| 4 | В МГУ предложили метод распознавания 3D–объектов с меньшими затратами памяти | 5 | 7 | 24-06-2026 |
| 5 | TCP-S: шифрование трафика на 4 уровне модели OSI. | 0 | 5 | 04-05-2026 |
| 6 | Машинное обучение: что это такое и как "умные" алгоритмы меняют нашу жизнь | 0 | 0 | 22-05-2025 |
| 7 | В МГУ прошла одна из старейших конференций России по компьютерной лингвистике | 0 | 5 | 26-06-2026 |
| 8 | «Форк ИТ» обучил в облаке Cloud.ru ИИ-систему для контроля качества горнодобычи | 0 | 5 | 26-06-2026 |
| 9 | Дмитрий Сергеевич Ватолин – лауреат премии «Технотекст» | 5 | 7 | 01-06-2026 |
| 10 | Билайн запустил перенос минут и гигабайт из роуминга в домашнюю сеть | 5 | 7 | 24-06-2026 |