Another work close to this review,

Another work close to this review, “Uses and Challenges for Network Datasets,” by Heidemann and Papdopoulos [24] is more general in scope. The authors address current research and open questions about network traffic and topology, and which classes of data are collected and used. They examine lessons learned from their research in the areas of privacy and anonymization, and how validation of NID approaches require weak data anonymization. Repeated collection of data is suggested as a way to maintain available datasets relevant to modern network traffic patterns. They also suggest that multiple datasets of the same type be collected and released to provide the ability to cross-check data. Finally, they describe future work in improving anonymization of captured data, understanding attacks on privacy, capturing and managing annotation and meta-data, focusing on datasets collected from other access types, and developing best practices to deal with the social and legal tension between research and privacy. Heidemann and Papdopoulos were thorough in their coverage of network traffic datasets, and their conclusions apply equally to NI datasets (a subset of network traffic datasets).

Kết quả (Việt) 1:

Một tác phẩm gần với nhận xét này, "Sử dụng và những thách thức cho mạng Datasets," bởi Heidemann và Papdopoulos [24] là tổng quát hơn trong phạm vi. Các tác giả địa chỉ nghiên cứu hiện tại và mở các câu hỏi về mạng lưới giao thông và cấu trúc liên kết, và các lớp học mà dữ liệu được thu thập và sử dụng. Họ kiểm tra bài học học được từ nghiên cứu của họ trong lĩnh vực bảo mật và Anonymitätsdienste, và làm thế nào xác nhận của phương pháp tiếp cận NID yêu cầu dữ liệu yếu Anonymitätsdienste. Thu thập dữ liệu lặp đi lặp lại được đề nghị như là một cách để duy trì datasets có liên quan đến các mẫu lưu lượng truy cập mạng hiện đại. Họ cũng đề nghị rằng nhiều datasets cùng loại được thu thập và phát hành để cung cấp khả năng chéo-kiểm tra dữ liệu. Cuối cùng, họ mô tả các công việc trong tương lai cải thiện Anonymitätsdienste dữ liệu được quay, sự hiểu biết cuộc tấn công vào quyền riêng tư, thu giữ và quản lý các chú thích và dữ liệu meta, tập trung vào datasets thu thập từ các loại truy cập, và thực hành phát triển tốt nhất để đối phó với sự căng thẳng xã hội và pháp lý giữa nghiên cứu và bảo mật. Heidemann và Papdopoulos đã được triệt để trong của vùng phủ sóng của mạng lưới giao thông datasets, và kết luận của họ áp dụng chung cho NI datasets (một tập hợp con của lưu lượng truy cập mạng datasets).

Kết quả (Việt) 2:

Một tác phẩm khác gần với đánh giá này, "Sử dụng và Thách thức cho mạng Datasets," bởi Heidemann và Papdopoulos [24] là tổng quát hơn trong phạm vi. Các tác giả nghiên cứu giải quyết hiện tại và câu hỏi mở về lưu lượng mạng và cấu trúc liên kết, và những lớp dữ liệu được thu thập và sử dụng. Họ kiểm tra bài học kinh nghiệm từ các nghiên cứu của họ trong các lĩnh vực bảo mật và ẩn danh, và làm thế nào xác nhận của phương pháp tiếp cận NID đòi hỏi dữ liệu ẩn danh yếu. Bộ sưu tập lặp đi lặp lại của dữ liệu được đề xuất như là một cách để duy trì bộ dữ liệu có sẵn liên quan đến mô hình mạng lưới giao thông hiện đại. Họ cũng cho rằng nhiều bộ dữ liệu cùng loại được thu gom và phát hành để cung cấp khả năng dữ liệu kiểm tra chéo. Cuối cùng, họ mô tả công việc tương lai trong việc cải thiện ẩn danh của dữ liệu bị bắt, hiểu biết các cuộc tấn công vào quyền riêng tư, thu giữ và quản lý các ghi chú và siêu dữ liệu, tập trung vào các tập dữ liệu thu thập được từ các loại truy cập khác, và phát triển các thực hành tốt nhất để đối phó với những căng thẳng xã hội và pháp lý giữa nghiên cứu và sự riêng tư. Heidemann và Papdopoulos là triệt để trong phạm vi bảo hiểm của họ về bộ dữ liệu lưu lượng truy cập mạng, và kết luận của mình áp dụng như nhau đối với các tập dữ liệu NI (một tập hợp con của tập dữ liệu lưu lượng truy cập mạng).