权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

CCSS: Small: Universal Feature Selection in Integrated Monitoring of Large Networks

CCSS：小型：大型网络综合监控中的通用特征选择

基本信息

批准号：
1711027
负责人：
Lizhong Zheng
金额：
$ 33万
依托单位：
Massachusetts Institute of Technology
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-07-01 至 2021-06-30
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1711027&HistoricalAwards=false
关键词：
CCSS Small Universal Feature Selection

项目摘要

The key challenges of monitoring and managing large networks comes from two sources. First, the network measurement data is multi-modal, with data of different forms, qualities, meanings, and overall several orders of magnitudes higher dimensionality than the current techniques can jointly processing. Second, such network monitoring results are often needed to serve multiple purposes, to answer queries about different aspects of the network behaviors, to understand at a microscopic level of how the interconnected components interact. The goal of this project is to apply a new geometric approach of feature selection to reduce the high dimensional network measurement data into a much more manageable lower dimensional feature space, where efficient algorithms can be applied to understand network behaviors, identify suspicious activities, and optimize network resource allocations. The success of this project can lead to new interfaces to network status, better network operations, as well as new approaches to improve cyber security. The main technical contribution of this project is based on a novel formulation of "universal feature selection", with the goal of finding features from the data that is universally informative to a collection of possible queries. A geometric-based analysis method is developed to give quantitative solutions to such problems. Comparing to the tradition information metrics that only quantify the volume of information, the geometric framework helps to give rise to a new notion of "information vector", which can be used to quantitatively measure the meaning of a piece of information and the relevance to a specific query. Feature selection based on such a geometric structure can thus connect the information processing operations to these new information metrics, providing guidance of optimization and theoretical guarantees of the performance. The project is thus based on a theoretic framework that is general, connecting several different branches of statistics. The network monitoring problem is a particularly

监控和管理大型网络的主要挑战来自两个方面。首先，网络测量数据是多模态的，具有不同形式、质量、意义的数据，并且总体上比当前技术可以联合处理的维度高几个数量级。其次，这种网络监控结果通常需要用于多种目的，以回答有关网络行为的不同方面的查询，以在微观层面上了解互连组件如何交互。该项目的目标是应用一种新的几何特征选择方法，将高维网络测量数据减少到一个更易于管理的低维特征空间中，在此空间中，可以应用有效的算法来理解网络行为，识别可疑活动，并优化网络资源分配。该项目的成功可以带来网络状态的新接口，更好的网络运营以及改善网络安全的新方法。该项目的主要技术贡献是基于一种新的“通用特征选择”公式，其目标是从数据中找到对可能的查询集合具有普遍信息性的特征。一个基于几何的分析方法的开发，以定量解决这类问题。相对于传统的信息度量仅量化信息量，几何框架有助于产生一个新的概念“信息向量”，它可以用来定量地衡量一条信息的含义和与特定查询的相关性。因此，基于这种几何结构的特征选择可以将信息处理操作与这些新的信息度量联系起来，为优化提供指导，并为性能提供理论保证。因此，该项目是基于一个一般性的理论框架，连接几个不同的统计分支。网络监控问题是一个特别重要的问题，

项目成果

期刊论文数量（6）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

On Estimation of Modal Decompositions

关于模态分解的估计

DOI：
10.1109/isit44484.2020.9174093
发表时间：
2020
期刊：
IEEE International Symposium on Information Theory
影响因子：
0
作者：
Makur, A;Wornell, G. W.;Zheng, L
通讯作者：
Zheng, L

Polynomial Singular Value Decompositions of a Family of Source-Channel Models

一族源通道模型的多项式奇异值分解

DOI：
发表时间：
2017
期刊：
IEEE transactions on information theory
影响因子：
2.5
作者：
Makur, A.;Zheng, L.
通讯作者：
Zheng, L.

Learning with Knowledge of Structure: A Neural Network-Based Approach for MIMO-OFDM Detection

利用结构知识进行学习：基于神经网络的 MIMO-OFDM 检测方法

DOI：
10.1109/ieeeconf51394.2020.9443477
发表时间：
2020
期刊：
and Computers
影响因子：
0
作者：
Zhou, Zhou;Jere, Shashank;Zheng, Lizhong;Liu, Lingjia
通讯作者：
Liu, Lingjia

An Efficient Approach to Informative Feature Extraction from Multimodal Data

DOI：
10.1609/aaai.v33i01.33015281
发表时间：
2018-11
期刊：
影响因子：
0
作者：
Lichen Wang;Jiaxiang Wu;Shao-Lun Huang;Lizhong Zheng;Xiangxiang Xu;Lin Zhang;Junzhou Huang
通讯作者：
Lichen Wang;Jiaxiang Wu;Shao-Lun Huang;Lizhong Zheng;Xiangxiang Xu;Lin Zhang;Junzhou Huang

A Local Characterization for Wyner Common Information

DOI：
10.1109/isit44484.2020.9174206
发表时间：
2020-06
期刊：
2020 IEEE International Symposium on Information Theory (ISIT)
影响因子：
0
作者：
Shao-Lun Huang;Xiangxiang Xu;Lizhong Zheng;G. Wornell
通讯作者：
Shao-Lun Huang;Xiangxiang Xu;Lizhong Zheng;G. Wornell

DOI：
{{ item.doi }}
发表时间：
{{ item.publish_year }}
期刊：
{{ item.journal_name }}
影响因子：
{{ item.factor }}
作者：
{{ item.authors }}
通讯作者：
{{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ monograph.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ sciAawards.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ conferencePapers.updateTime }}

作者：
{{ item.author }}

数据更新时间：{{ patent.updateTime }}

Lizhong Zheng其他文献

On Error Probability for Wideband MIMO Channels

宽带 MIMO 信道的错误概率

DOI：
发表时间：
2005
期刊：
影响因子：
0
作者：
S. Ray;M. Muriel;Lizhong Zheng
通讯作者：
Lizhong Zheng

Learning for Integer-Constrained Optimization through Neural Networks with Limited Training

通过有限训练的神经网络学习整数约束优化

DOI：
发表时间：
2020
期刊：
arXiv.org
影响因子：
0
作者：
Zhou Zhou;Shashank Jere;Lizhong Zheng;Lingjia Liu
通讯作者：
Lingjia Liu

The number of degrees of freedom in noncoherent block fading multiple antenna channel

非相干块衰落多天线信道的自由度数

DOI：
10.1109/isit.2001.935914
发表时间：
2001
期刊：
Proceedings. 2001 IEEE International Symposium on Information Theory (IEEE Cat. No.01CH37252)
影响因子：
0
作者：
Lizhong Zheng;David Tse
通讯作者：
David Tse

Polynomial spectral decomposition of conditional expectation operators

条件期望算子的多项式谱分解

DOI：
10.1109/allerton.2016.7852291
发表时间：
2016
期刊：
2016 54th Annual Allerton Conference on Communication, Control, and Computing (Allerton)
影响因子：
0
作者：
A. Makur;Lizhong Zheng
通讯作者：
Lizhong Zheng