TL;DR
- نویسندگان:.
- یلین ژائو،.
- جیاوئی هوانگ،.
چه اتفاقی افتاد
نویسندگان:. یلین ژائو،.
جیاوئی هوانگ،. ژیانشی سو،.
ویهه لی،. شین لی،.
یان لیو،. جیاچنگ زی،.
کیچن سو،. جین یی،.
وانچون جیانگ،. جیانسین وانگ چکیده:.
تشخیص دقیق میزبان فوق العاده که ارتباط با تعداد زیادی از حملات وب را با کیفیت متمایز ایجاد. میکند.
رویکردهای مبتنی بر اسکچ موجود،. تعداد اتصالات متمایز به نام flow cardinality را با توجه به آدرسهای IP کامل تخمین میزنند،.
در حالی که این واقعیت را نادیده میگیرند که یک ابر میزبان مخرب یا قربانی اغلب با میزبانهای. داخل یک زیرشبکه ارتباط برقرار میکند و در نتیجه نرخهای مثبت کاذب بالا و دقت پایین را به.
همراه دارد. اگرچه رویکردهای مبتنی بر ساختار سلسله مراتبی میتوانند کاردینالیته جریان را در زیرشبکه ثبت کنند،.
اما ذاتاً از مصرف بالای حافظه رنج میبرند. برای پرداختن به این محدودیتها،.
SegSketch را پیشنهاد میکنیم،. یک رویکرد تخمین کاردینالیته تقسیمبندی شده که از یک استراتژی هش بخش نیمهوزن برای استنباط طول پیشوندهای مشترک.
آدرسهای IP استفاده میکند و کاردینالیتی را در زیرشبکه تخمین میزند تا دقت تشخیص را تحت اندازه حافظه. محدود افزایش دهد.
آزمایشهایی که توسط ردیابیهای دنیای واقعی انجام میشوند نشان میدهند که SegSketch امتیاز F1 را تا 8. 04 برابر در مقایسه با راهحلهای پیشرفته، بهویژه با بودجههای حافظه کم، بهبود میبخشد.
این مقاله در WWW 2026 پذیرفته شده است شبکه و معماری اینترنت (cs. NI) استناد بهعنوان: (یا v1 [cs.
NI] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Jiacheng Xie [مشاهده ایمیل] [v1] چهارشنبه،. 1 آوریل 2026،.
14:. 42:.
09 UTC (1,. 710 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.