IoT-AMLHP: Aligned Multimodal Learning of Header-Payload Representations for Resource-Efficient Malicious IoT Traffic Classification
针对物联网设备资源受限下恶意流量分类的挑战，提出IoT-AMLHP对齐多模态学习框架，通过报头-载荷表示与轻量级深度可分离卷积融合，实现资源高效的恶意流量分类。
2025-04-21 cs.CR cs.NI
NFSlicer: Data Movement Optimization for Shallow Network Functions
商用服务器上的网络功能（NF）部署在网络中心和企业设置中已经变得无处不在。许多常用的NF，如防火墙、负载均衡器和NAT都是浅层次的，他们只检查数据包的报头，而不管整个数据包在服务器上传输和传输。因此，在处理大数据包时，移动数据和检查数据之间的差距超过20倍。在现代网络速率下，这种过量的数据移动对性能有害，对大数据包的平均和90%尾部延迟的影响高达1.7倍。我们全面的性能分析发现，NIC服务器PCIe接口和服务器存储层次结构中的高度争用是主要瓶颈。我们介绍了NFSlicer，这是一种作为NIC扩展实现的数据移动优化，用于缓解商品服务器上浅NF部署中数据移动泛滥造成的瓶颈。NFSlicer只传输部署的NF实际检查的每个数据包的一小部分，方法是将数据包的有效负载切片并临时存储在NIC内存中。当服务器稍后传输处理后的数据包时，NFSlicer会将其拼接到先前切片的有效载荷上。我们开发了一个基于软件的仿真平台，并证明了NFSlicer有效地减少了NIC和服务器之间的数据移动，弥合了小数据包和大数据包NF处理之间的延迟差距。在处理1518 B数据包的一系列浅NF上，NFSlicer分别将平均和90%的尾部延迟降低了17% /29%。
2022-03-04 cs.NI
Fly-PRAC: Packet Recovery for Random Linear Network Coding
Technische Universität Dresden (TUD)（德累斯顿工业大学）；Cluster of Excellence “Centre for Tactile Internet with Human-in-the-Loop” (CeTI) of TUD（德累斯顿工业大学触觉互联网与人机交互卓越集群）；Aalborg University（奥尔堡大学）
Fly-PRAC通过利用编码数据包之间的代数关系，在中间节点恢复数据包，从而提高网络编码效率并减少传输延迟。
2026-03-10 cs.IT cs.NI math.IT
Implementing packet trimming support in hardware
数据包修剪（英语：Packet trimming）是数据中心网络的一个基本概念：为了最小化延迟，交换机运行小队列;当队列溢出时，交换机不是丢弃数据包，而是修剪数据包的有效载荷，并将报头转发到目的地或返回到源。以这种方式，可以构建对于元数据基本无损的低延迟网络。理想情况下，微调将作为交换机ASIC中的一个基本要素来实现，但硬件开发周期缓慢，成本高昂，并且需要证明客户的需求。在本文中，我们将探讨如何修剪可以实现在现有的可编程开关，没有设计与修剪铭记，特别关注的P4实现的Tofino开关ASIC。我们表明，它确实是可以接近理想化的修剪，并证明修剪可以集成到一个生产级的数据中心交换机软件栈。
2022-07-11 cs.NI
A protocol to reduce worst-case latency in deflection-based on-chip networks
提出一种新协议，通过仅偏转数据包头部而非有效载荷，降低基于偏转的片上网络中的最坏情况数据包延迟和整体网络流量。
2026-11-10 cs.NI cs.PF
On Enhancing Reliability in B5G NTNs with Packet Duplication via Multi-Connectivity
针对B5G非地面网络中传播时延长导致传统分组复制方案反应不足的问题，本文提出基于混合自动重传请求反馈的动态分组复制激活方案，在保持高可靠性的同时将复制分组数量降低87.2%。
2023-10-28 cs.NI
Packet Aggregation May Harm Batched Network Coding
本文研究基于UDP-Lite的分批网络编码，发现尽可能多地聚合数据包并非总是最优，逐跳分布式效率优化在长网络中甚至可能降低吞吐量，揭示了技术与BNC随意结合可能有害。
2024-09-30 cs.IT cs.NI math.IT
Network Coding with Random Packet-Index Assignment for Data Collection Networks
本文考虑了一个数据汇集网络组成的不协调，异构，并可能移动设备。这些设备使用中短程无线电技术，需要多跳通信将数据传递到某个接收器。虽然可以采用来自受管网络的许多技术，但是最有效的技术之一（从能量和频谱使用的角度来看）是\emph{network coding}（NC）。NC非常适合于具有移动性和不可靠性的网络，然而，实际的NC需要精确识别混合在一起的各个数据包。在一个纯粹的去中心化系统中，这需要像COPE那样在报头中传递标识符和编码信息，或者集成一个更复杂的协议，以便有效地识别源（参与者）及其有效载荷。本文提出了一种新的解决方案，网络编码与随机分组索引分配（NeCoRPIA），其中NC头中的分组索引以分散的方式选择，通过简单地随机选择它们。传统的网络解码技术直接适用于所有原始数据包具有不同索引的情况。如果不是这样，即，在索引冲突的情况下，提出了特定的解码算法。理论分析其性能的复杂性和解码错误概率。仿真结果与理论结果吻合较好。NeCoRPIA报头长度与基于COPE的NC协议的比较也被提供。
2018-12-28 cs.NI
Packet-Level In-Network Semantic Adaptation for Unstable Mobile Emergency Networks
School of Telecommunications Engineering, Xidian University（西安电子科技大学通信工程学院）
针对移动应急网络中链路变化快于反馈的问题，提出包级网内语义自适应方法DINA，通过自描述数据包和冻结选择器实现即时转换，显著提升任务性能。
2026-09-25 cs.NI
Evaluation of Lifetime Bounds of Wireless Sensor Networks
在本文中，我们估计的网络的生命周期界限的微尘相互通信，使用IEEE 802.15.4标准。研究了IEEE 802.15.4不同的帧结构以及CSMA/CA介质访问机制，分析了信道捕获开销、数据帧的头和尾开销以及数据包传输的可靠性。该开销构成线性方程的固定分量，并且数据有效载荷构成线性方程的增量分量，以估计在每个分组传输期间消耗的功率。最后，我们将每个数据包的功耗输入到一个数学模型中，该模型估计了网络中路由的上下限。我们还实施了一系列的测量CC 2420无线电用于广泛的传感器微尘，找到固定和增量组件，并最终使用此无线电的微尘组成的网络的寿命。
2010-11-08 cs.NI
LoRaWAN in the Wild: Measurements from The Things Network
远程广域网（LoRaWAN）规范于2015年发布，主要是通过促进长距离无线通信来支持物联网。自2015年以来，LoRaWAN的推出和采用出现了急剧增长。据我们所知，我们是第一个对LoRaWAN（即物联网）的性能、功能和用例进行广泛测量、分析和建模的公司。如本文所述，我们的测量数据涵盖了LoRaWAN生产级部署的早期阶段。特别是，我们分析了数据包有效载荷，无线电信号质量和时空方面，以建模和估计LoRaWAN的性能。我们还使用我们的实证研究结果在模拟中估计的数据包丢失。
2017-06-09 cs.NI
Analyzing LoRa long-range, low-power, wide-area networks using stochastic geometry
在本文中，我们提出了一个简单的，随机几何模型的无线接入网络利用LoRA（远程）协议，这是一个不昂贵的技术，允许远程，单跳连接的物联网。我们假设LoRA节点发送到一个固定的基站的数据包的时空泊松模型。根据先前对干扰影响的研究，我们假设在给定分组有效载荷阶段之前没有干扰分组以类似功率到达时，给定分组被成功接收。这是由于LoRa针对不同的链路预算使用不同的传输速率（具有较小接收功率的传输使用较大的扩频因子）和LoRa技术内干扰处理的结果。使用我们的模型，我们研究了每个链路预算的数据包接收概率的缩放作为节点的空间密度和它们的传输速率的函数。我们既考虑了LoRa提供商推荐的参数值，也提出了LoRa调整，以提高所有链路预算的性能平等。我们还考虑LoRa节点的空间非均匀分布。我们还展示了如何在同一框架内与非开槽Aloha进行公平比较。
2018-11-05 cs.NI
Algorithm for AGC index management against crowded radio environment
NXP Semiconductor（恩智浦半导体）；Univ. Gustave Eiffel（古斯塔夫·埃菲尔大学）；CNRS（法国国家科学研究中心）；ESIEE Paris（巴黎高等电子与电子技术学院）
本文提出一种基于历史运行指标预测最佳AGC索引或可变增益范围的接收器算法，有效预判干扰，在接收灵敏度与随机干扰免疫力之间实现最佳权衡。
2024-03-19 cs.AI cs.LG cs.NI
Adaptive Load-Aware Sampling for Network Monitoring on Multicore Commodity Hardware
许多当前的流量监控系统采用深度数据包检测（DPI）来分析网络流量。这些系统包括入侵检测系统、网络流量计费软件、流量分类或监控服务级别协议的系统。当前企业和ISP网络的流量和链路速度将检查流量有效负载的过程转变为一项具有挑战性的任务。在本文中，我们提出了一种新的自适应采样算法，选择DPI系统能够消耗的网络中的数据包的最大数量。我们的算法适应其采样率，根据当前观察到的网络流量，以及监测应用程序能够处理的数据包的数量。它可以与当前的多核感知网络流量分析设置结合使用，允许利用当前的多核硬件。我们展示了我们的算法的适用性与现场测试上大量使用的10G链路与真正的网络监控工具。
2016-04-08 cs.NI
In-Network Artificial Computing Enhanced Light Model-Switching for Emergency Communications Networks
School of Telecommunications Engineering, Xidian University（西安电子科技大学通信工程学院）
本文提出了一种轻量级网络内人工计算框架，通过在共享执行框架中驻留多个二进制神经网络模型，实现高效的模型切换，从而在动态需求和运行约束下提升应急通信网络的实时处理能力。
2026-05-11 cs.NI
Random Linear Network Coding on Programmable Switches
通过扩展传统的存储转发机制，网络编码有能力提高网络的吞吐量，鲁棒性和安全性。鉴于这种新的范例所需的根本不同的分组处理和硬件的可扩展性，现有的解决方案是基于软件的。因此，它们的性能和可扩展性有限，这对其广泛采用造成了障碍。通过利用可编程网络硬件的最新进展，在本文中，我们提出了一个用P4编写的随机线性网络编码数据平面，作为迈向生产级平台的第一步。我们的解决方案包括结合多个数据包的有效载荷和执行所需的伽罗瓦域操作的能力，并显示承诺是实际的，即使在严格的存储器和处理限制的交换硬件。
2019-09-05 cs.NI
SDNFV: Flexible and Dynamic Software Defined Control of an Application- and Flow-Aware Data Plane
软件定义网络（SDN）承诺更大的灵活性来引导分组流，并且网络功能虚拟化承诺实现基于软件的网络功能的动态管理。然而，智能控制平面和过于简单的无状态数据平面之间的当前划分导致无法利用基于软件的网络的灵活性。在本文中，我们提出了SDNFV，一个框架，扩展网络处理和转发元素的能力，灵活地管理数据包流，同时保留高性能的数据平面和易于管理的控制平面。SDNFV提出了一种分层控制框架，其中跨SDN控制器、主机级管理器和各个VM做出决策，以最好地利用每个级别上可用的状态。与现有的SDN相比，这增加了网络的灵活性，在现有的SDN中，控制器通常仅基于流的第一个分组报头做出决定。SDNFV智能地跨主机放置网络服务，并将其连接到顺序和并行链中，使SDN控制器和各个网络功能能够增强和更新流规则，以适应不断变化的条件。我们的原型演示了如何有效地和灵活地重新路由流的数据平面状态，如数据包的有效载荷和流量特性的基础上。
2016-06-08 cs.NI
Air Dominance in Sensor Networks: Guarding Sensor Motes using Selective Interference
无线传感器网络的安全是一个难题。特别是，由于无线通信固有的广播特性，网络访问控制非常难以实现：攻击者可以很容易地将其传输范围内的任何节点作为目标，同时影响传感器网络的大部分。因此，在本文中，我们提出了一个分布式监护人系统，以保护无线传感器网络的基础上，通过选择性干扰的物理调节信道接入。监护人与传感器网络一起部署，检查所有本地流量，根据内容对数据包进行分类，并在仍在广播时销毁任何恶意数据包。从这个意义上说，该系统试图获得对攻击者的“空中优势”。实施监护人系统的一个关键挑战是由此产生的实时要求，以便在传输过程中对数据包进行分类和销毁。我们提出了一个基于USRP 2软件无线电的监护人实现IEEE 802.15.4，满足这一挑战，使用基于FPGA的设计，我们甚至可以检查数据包的最后一个有效载荷字节的内容，仍然可以防止其接收潜在的受害者微尘。我们的评估表明，在我们的实验中，监护人有效地阻止了802.15.4网络中99.9%的未经授权的流量，而不会干扰WSN的合法操作。
2013-05-17 cs.NI
NetMemex: Providing Full-Fidelity Traffic Archival
NetMemex探索高效的网络流量存档，而不会丢失任何信息。与类似NetFlow的聚合不同，NetMemex允许检索整个数据包数据，包括完整的有效载荷，这使得它在取证分析，网络和分布式系统研究以及网络管理中非常有用。与数据包跟踪转储不同，NetMemex执行复杂的数据压缩以使用较小的存储空间，并优化数据布局以实现快速查询处理。NetMemex利用闪存驱动器的高速随机访问和硬盘驱动器的廉价存储空间。这些努力导致一个具有成本效益的高性能的全流量档案系统。我们证明，NetMemex可以记录高保真流量在近Gbps的速率使用一个单一的商品机器，处理常见的查询高达90.1 K查询/秒，在一个低的存储成本相比，传统的硬盘只有流量存档解决方案。
2016-03-14 cs.NI
Hyperflex: A SIMD-based DFA Model for Deep Packet Inspection
Hyperflex是一种基于SIMD的DFA模型，用于提升深度包检测的正则表达式匹配性能，通过区域检测和混合状态转换算法实现高效处理。
2025-12-08 cs.NI
Checking-in on Network Functions
当对网络功能进行编程时，数据包中的更改往往会产生后果--网络程序员或管理员必须通过任意逻辑和对依赖关系的固有理解来考虑这些副作用。这方面的示例包括当分组的内容已经被修改时更新校验和，或者如果在分组内添加或更新另一个报头，则调整IPv6报头的有效载荷长度字段。虽然静态类型捕获接口规范和数据包内容应该如何行为，但它并不像上面的示例那样围绕运行时依赖性强制执行精确的不变量。相反，在网络功能的设计阶段，程序员应该有一种更简单的方法来预先指定检查，而不必在开发周期的每一步都考虑和跟踪这些结果。为了保持这种观点，我们提出了一种独特的方法，用于添加和生成静态检查和动态合同，用于指定和检查数据包处理操作。我们开发我们的技术在一个现有的框架称为NetBricks和演示我们的方法如何简化和检查常见的相关数据包和报头处理逻辑，其他系统认为是理所当然的，所有在开发过程中没有增加太多的开销。
2019-06-29 cs.NI cs.PL
Network on Chip: a New Approach of QoS Metric Modeling Based on Calculus Theory
片上网络是由IP核（知识产权）和交换机之间通过通信通道连接。端到端延迟（EED）通信是通过IP核之间的数据交换来实现的。通常，特定消息的结构不足以满足通信目的。这就引出了分组交换的概念。在NoC的上下文中，分组由报头、有效载荷和报尾组成。数据包被分成称为微片的小块。它似乎是重要的，以满足所需的性能在片上网络的硬件资源。它应该在系统设计的早期步骤中指定。主要注意的是一些网络参数的选择，如节点中的物理缓冲区大小。EED和分组丢失是一些关键的QoS度量。一些实时和多媒体应用绑定这些参数，并需要特定的硬件资源和特定的管理方法在片上网络交换机。流量契约（SLA，Service Level Agreement）规定了网络或协议基于双方同意的措施（通常是通过对流量进行优先级排序）提供有保证的性能、吞吐量或延迟范围的能力。某些类型的网络实时的业务或多媒体应用可能需要定义的服务质量（QoS）。本文的主要目标是，使用片上网络建模架构，定义一个QoS度量。我们专注于网络延迟界和数据包丢失。该方法基于网络演算理论，该理论是一种数学模型，用于表示通过NoC互连的IP之间的数据流行为。提出了一种基于微积分模型的多应用服务QoS度量方法。
2011-10-17 cs.NI
Deep Learning for Network Traffic Classification
Columbia University（哥伦比亚大学）
监视网络流量以识别内容、服务和应用是网络流量控制系统中的活跃研究主题。虽然现代防火墙提供了解密数据包的能力，但这对隐私倡导者没有吸引力。因此，从加密流量中识别任何信息是一项具有挑战性的任务。尽管如此，以前的工作已经确定了可以实现应用程序和服务识别的机器学习方法。该过程涉及从网络分组数据中提取高级特征提取，然后训练用于流量识别的鲁棒机器学习分类器。我们提出了一种分类技术，使用集成的深度学习架构的数据包，有效载荷和到达时间间隔序列。据我们所知，这是第一次将这种深度学习架构应用于服务器名称指示（SNI）分类问题。我们的集成模型击败了最先进的机器学习方法，我们最新的模型可以在github上找到：\url{https://github.com/niloofarbayat/NetworkClassification}
2021-06-02 cs.CR cs.LG cs.NI
Introducing Packet-Level Analysis in Programmable Data Planes to Advance Network Intrusion Detection
本文提出P4DDLe框架，利用P4可编程数据平面进行数据包级特征提取与预处理，在保留流量语义的同时选择性过滤数据，有效降低内存与控制通道开销，并实现对DDoS攻击的精确检测。
2024-01-04 cs.CR cs.NI
Improving the network traffic classification using the Packet Vision approach
Instituto de Ciências Exatas e Tecnológicas Universidade Federal de Viçosa – UFV（联邦维索萨大学精确科学与技术学院）；Faculdade de Computação - FACOM Universidade Federal de Uberlândia – UFU（联邦 Uberlândia 大学计算机学院）
本文提出 Packet Vision 方法，将数据包原始数据（含包头和载荷）转换为图像并结合 CNN 进行分类，在四类流量数据集上验证了 AlexNet、ResNet-18 和 SqueezeNet 的性能，兼顾安全隐私与分类效果。
2024-12-26 cs.AI cs.CR cs.CV
UnlinkableDFL: A Framework for Network-Layer Unlinkability in Decentralized Federated Learning
University of Zurich（苏黎世大学）；armasuisse Science & Technology（瑞士国防技术局科学与技术部）
本文提出UnlinkableDFL框架，通过混合网络和加密技术实现去中心化联邦学习中的网络层不可链接性，平衡隐私与学习效率。
2026-06-29 cs.NI
Software-Defined Adversarial Trajectory Sampling
今天的路由协议严重依赖于底层硬件是可信的这一假设。鉴于网络设备上的攻击越来越多，以及最近关于硬件后门的报告，这种假设已经变得值得怀疑。事实上，随着计算机网络在今天发挥的关键作用，我们的安全假设与现实之间的对比是有问题的。本文介绍了软件定义的对抗性轨迹采样（SoftATS），一种基于OpenFlow的机制，可以有效地监控数据包轨迹，也可以在存在非合作甚至对抗性交换机或路由器的情况下，例如，包含硬件后门。我们的方法是基于一个安全的，冗余的和自适应的样本分配方案，使我们能够证明检测敌对的交换机或路由器试图重新路由，镜像，丢弃，注入，或修改数据包（即，报头和/或有效载荷）。我们评估了我们的方法在不同的对抗环境中的有效性，报告了概念验证的实施，并提供了这样一个计划的性能开销的第一次评估。
2017-04-30 cs.CR cs.NI
Encrypted Internet traffic classification using a supervised Spiking Neural Network
Institut Supérieur de l’Aéronautique et de l’Espace (ISAE-SUPAERO)（高等航空航天学院）；University of Toulouse（图卢兹大学）；CNRS（法国国家科学研究中心）；Université Toulouse 3（图卢兹第三大学）；Sharif University of Technology（谢里夫理工大学）
互联网流量识别是接入提供商的重要工具，因为识别与网络上传输的不同数据包相关的流量类别有助于他们定义适应的优先级。这意味着，例如，音频会议的高优先级要求和文件传输的低优先级要求，以增强用户体验。随着互联网流量变得越来越加密，主流的经典流量识别技术，有效载荷检查，变得无效。本文使用机器学习技术对加密流量进行分类，只关注数据包大小和到达时间。脉冲神经网络（SNN）主要受到生物神经元运作方式的启发，被用于两个原因。首先，它们能够识别与时间相关的数据包特征。其次，它们可以在具有低能量足迹的神经形态硬件上有效地实现。在这里，我们使用了一个非常简单的前馈SNN，只有一个完全连接的隐藏层，并使用新引入的代理梯度学习方法以监督的方式进行训练。令人惊讶的是，这样一个简单的SNN在ISCX数据集上达到了95.9%的准确率，优于以前的方法。除了更好的准确性外，简单性也有了非常显著的改善：输入大小，神经元数量，可训练参数都减少了一到四个数量级。接下来，我们分析了这种良好准确性的原因。事实证明，除了空间（即数据包大小）特征之外，SNN还利用了时间特征，主要是具有特定大小的数据包的几乎同步（在200 ms范围内）到达时间。总之，这些结果表明，SNN是一个非常适合加密的互联网流量分类：他们可以比传统的人工神经网络（ANN）更准确，他们可以有效地实现低功耗的嵌入式系统。
2022-07-21 cs.LG cs.NI
Towards a Quantum-classical Augmented Network
Kennesaw State University（凯斯威尔州立大学）；University of Nebraska Omaha（内布拉斯加大学奥马哈分校）
本文提出通过修改HTTP协议以同时承载量子与经典载荷，并利用机器学习模型分类隐私标签，实现经典网络与量子技术的增强融合，提升安全性并优化量子资源利用。
2025-05-23 cs.AI cs.CR cs.NI
Unveiling Behavioral Transparency of Protocols Communicated by IoT Networked Assets (Full Version)
该研究针对IoT联网资产协议识别方法临时性的问题，构建了含10款设备6种协议的公开数据包轨迹，提出通用协议特征模型，在占数据集97%的协议检测中几乎无误报，助力设备表征与漏洞评估。
2024-04-11 cs.NI
P4COM: In-Network Computation with Programmable Switches
传统上，交换机只提供转发服务，在分布式计算框架中没有计算信用。新兴的可编程交换机使网内计算（INC）成为可能，即，将一些计算卸载到交换机数据平面。虽然一些提议试图将计算卸载到特殊硬件上（例如，NetFPGA），许多实际问题尚未得到解决。因此，我们提出了P4 COM-一个用户友好的，内存高效的，容错的框架，实现了网络计算（例如，MapReduce）与可编程开关。P4 COM由三个模块组成。首先，P4 COM通过一个轻量级的解释器自动地将应用逻辑翻译成交换数据平面程序。其次，P4 COM采用了一种存储管理策略来有效地利用有限的交换机片上存储器。第三，P4 COM提供了一个有效载荷切割机制来处理数据包丢失。我们已经建立了一个P4 COM原型与赤脚Tofino交换机和多个商品服务器。通过测试床实验和大规模仿真相结合的方法，我们证明了P4 COM能够在10 Gbps的链路上实现线速处理，对于MapReduce风格的应用，可以将数据混洗吞吐量提高2-5倍。
2021-07-29 cs.DC cs.NI
