跳到正文
arXiv cs.AI· Irene Gos\'alvez-White, Roberto Mag\'an-Carri\'on, Carlota de la Vega-Soriano, Pedro Garc\'ia-Teodoro·· 4 小时前AI 评分25

LLM 能否理解网络流量?原始与过滤流量数据推理能力对比研究

Do LLMs Understand Network Traces? A Comparative Study of Reasoning over Raw and Filtered Traffic Data

AI 导读

一项基于 CICIDS2017 真实良性流量的问答式评测显示,协议过滤能显著降低 LLM 分析网络流量的提示词开销,并通过减少错误回答提升准确率。研究对比了多个模型在原始文本流量转储与协议过滤表示上的表现,并用自动化 LLM-as-a-judge 流程评分、以人工评估校验。结论认为协议感知的流量过滤是提升 LLM 辅助网络管理效率与可靠性的有效优化手段。

正文 · AI 翻译

查看 PDF HTML(实验性)

摘要:ICT 服务的有效交付与监控在很大程度上依赖于网络流量分析。然而,解读复杂的数据包捕获仍是一项需要大量专业技术知识的艰巨任务。大语言模型(LLM)为自动化网络流量调查提供了有前景的机会,但其在数据包级字段提取和流级序列重建方面的可靠性仍是一个有待研究的问题。本研究提出了一种可复现的、基于问答的评估方法,用于评估 LLM 在网络流量追踪分析中的能力。我们使用 CICIDS2017 数据集中的真实良性流量,针对人工生成的基准真值评估多个模型,比较它们在原始文本流量转储和协议过滤表示上的表现。模型回答通过自动化的 LLM 作为评判者的流程进行评估,并与人工评估进行验证。结果表明,协议过滤显著降低了提示开销,同时通过减少错误回答提高了答案准确率。这些发现凸显了协议感知流量过滤作为一项有效优化手段的重要性,可提升 LLM 辅助网络管理的效率与可靠性。
评论: 本出版物已提交至 NOMS2027
主题: 网络与互联网架构(cs.NI);人工智能(cs.AI)
引用为: arXiv:2611.22575 [cs.NI]
  (或 arXiv:2611.22575v1 [cs.NI] 用于此版本)
  https://doi.org/10.48550/arXiv.2611.22575

由 DataCite 颁发的 arXiv DOI(待注册)

提交历史

来自:Roberto Magán-Carrión 博士 [查看电子邮件]
[v1] 2026年11月17日星期二 11:00:59 UTC(1,306 KB)

来源:arXiv cs.AI · arxiv.org