Call for Paper (IF 4.4, JCR Q1): 征稿截止2024年12月1日
2024-10-25
7457
专刊标题 Generative and Explainable Artificial Intelligence for Internet Traffic and Architectures
客编信息 🔹Dr. Antonio Montieri, University of Napoli Federico II, Napoli, Italy 🔹Dr. Danilo Giordano, Politecnico di Torino, Torino, Italy 🔹Dr. Claudio Fiandrino, IMDEA Networks, Leganes, Spain 🔹Dr. Jonatan Krolikowski, Huawei Technologies France SAS, Boulogne Billancourt, France 期刊简介 本专刊是 Computer Networks（ISSN: 1389-1286，SCIE indexed）期刊开设的征稿专题。Computer Networks 属于计算机科学领域的刊物，由Elsevier出版发行。 专刊背景 在互联网流量分析领域，人工智能（AI）的崛起标志着一种重大的范式转变。随着互联网连接设备的急剧增加和流量数据的指数级增长，传统的流量分析方法已难以应对现代网络的容量与复杂性。此外，互联网流量的动态特征以及复杂网络威胁的出现，进一步加剧了网络运营商和网络安全专家所面临的挑战。因此，迫切需要先进的分析工具，以提高对互联网流量的“可见性”，提供可操作的流量行为见解，识别异常和入侵行为，并最终优化网络的安全性与性能。 然而，流量数据集的收集、分类和标记是一个繁琐的过程，往往需要人类的专业知识。流量的动态特性、隐私问题以及某些流量类型（如网络攻击和物联网设备）的样本有限性等因素，进一步增加了数据收集的难度。此外，尽管数据驱动技术表现出色且具有适应性潜力，它们通常以黑箱模式运行，难以理解其行为、提升其性能或保护其免受攻击。这在一定程度上限制了这些方法的可解释性和信任度，影响了其实际应用。 生成式和可解释式人工智能的结合为解决这些挑战提供了一种有前景的方法。通过利用人工智能生成真实的流量数据并提供可解释的见解，研究人员和实践者可以突破传统流量分析方法的局限性。生成式人工智能能够创建多样化且具代表性的流量数据集，支持人工智能驱动的入侵检测和网络优化模型的训练。同时，可解释的人工智能提升了人工智能驱动流量分析的透明度和可信度，使网络运营商能够理解和解释其决策过程。 本专刊旨在深入探讨生成式和可解释人工智能在互联网流量分析和网络架构中的方法、技术和应用实践。通过关注这些前沿主题，我们致力于为研究人员和实践者提供一个交流创新方法、分享见解并推动技术进步的平台。该专刊涵盖了广泛的主题，包含AI驱动的标准化流量数据集生成、生成式AI辅助的网络管理、用于互联网流量分析的可解释和可信任的AI解决方案，以及生成式和可解释AI在网络优化与安全中的实际应用。考虑到主题的特殊性及对学术社区的贡献，我们鼓励提交具有高度可重复性的研究论文，无论是通过发布源代码还是原始数据。 截稿日期 2024年12月1日 关键词 生成式人工智能、可解释人工智能、人工智能驱动的网络流量分析、互联网流量分析、网络架构、网络管理、网络安全、网络分析 期刊分析 CAR指数: CAR指数是一种评价期刊学术诚信风险的指数， CAR指数低于5%设定为低风险，处于5-10%被认为是中风险，大于10%为高风险。从网站（www.jcarindex.com）的检索结果来看，Computer Networks 在2022 -2024年的CAR指数分别为0.47%、1.09%和1.85%，为低风险水平，表明该期刊实时的学术诚信风险为低风险。 中科院预警情况： 从2020年到2024年2月，Computer Networks 连续五年未进入中国科学院《国际期刊预警名单（试行）》名单。这说明期刊并未被中科院预警。 影响因子发展趋势： 在JCR的影响因子变化趋势图中可以了解到，从2015年至今，Computer Networks 的影响因子整体表现为增长，说明期刊的运营与出版物质量管理较好。 期刊年发文趋势： 通过在WoS数据库检查期刊近五年的发文数据，可以了解到 Computer Networks 年发文数量持续保持在300-500篇，在2021年发文量达到491篇。近五年的发文中，国内学者发文数量位于首位，表明国内相关领域的研究成果较多，且期刊对国内学者的学术成果也比较认可。
