面向大规模校园网络高分辨率风险评估的自监督流量嵌入

《Scientific Reports》：Self supervised traffic embedding for high resolution risk assessment in large scale campus networks

　　

摘要

在大规模校园网络中进行高分辨率风险评估对于维护网络安全和运行效率至关重要。传统方法往往难以捕捉网络流量中固有的复杂时空动态特征，导致风险预测效果不佳且可解释性有限。本文提出了一种新颖的方法论框架，利用自监督流量嵌入模型来解决上述挑战。该框架由三个核心组件构成：一是用于流量嵌入和风险量化的稳健数学基础；二是集成了流形约束风险编码器的反事实时间预测器，配合交互感知风险事件提取和概率结果正则化器，用于对风险预测进行编码、分段和优化；三是反事实时间风险精炼策略，用于探索假设性流量场景并增强不确定性条件下的预测鲁棒性。这些组件共同实现了精准且可解释的风险预测，有效应对了校园网络流量的多变性和复杂性。实验评估验证了所提方法的有效性，展示了其在提供高分辨率风险评估方面的能力，并在准确性和可解释性方面取得了显著提升。研究结果强调了该框架在推动大规模环境下的网络管理和安全方面的潜力，为现代校园网络提供了一种可扩展且可靠的解决方案。