TRACE：トレーサルートに基づくインターネット経路変更の分析とアンサンブル学習

arXiv cs.AI / 2026/4/6

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、コントロールプレーン情報への依存を避け、トレーサルートの遅延データのみを用いてインターネット経路の変更を検出するMLパイプライン「TRACE」を提案する。
ルーティング変更のダイナミクスを捉えるために、移動統計と集約した時間的・文脈的パターンを用いた特徴量エンジニアリング手法を適用する。
TRACEは、勾配ブースティング決定木（Gradient Boosted Decision Trees）のスタッキング・アンサンブルに、ハイパーパラメータ最適化されたメタラーナを組み合わせて分類精度を向上させる。
希少イベントのクラス不均衡に対処するために意思決定の閾値をキャリブレーションし、従来のベースラインモデルより高いF1スコアを実現する。
著者らは、エンドポイントによる能動的測定の制約下でもロバスト性が高いことを強調し、実世界のインターネットにおける経路変更検出で有効な性能を報告している。

要旨: インターネットのルーティング不安定性を検出することは重要である一方、特にエンドポイントの能動測定にのみ依存する場合には、非常に難しい課題です。本研究では、制御プレーン情報からの独立性を保証するために、トレーサルートの遅延データのみを用いて経路変更を特定することを目的とした、機械学習（ML）パイプラインであるTRACEを提案します。移動統計と集約されたコンテキストのパターンを用いて時間的ダイナミクスを捉える、堅牢な特徴量エンジニアリング戦略を提案します。アーキテクチャは、ハイパーパラメータで最適化されたメタ学習器によって洗練された、グラディエントブースト決定木のスタッキングアンサンブルを活用します。稀なルーティング事象に固有のクラス不均衡に対処するため、意思決定の閾値を厳密にキャリブレーションすることで、TRACEは優れたF1スコアの性能を達成し、従来のベースラインモデルを大幅に上回ります。また、インターネット上でのルーティング変更の検出における強い有効性も示します。