MACHINE LEARNING ALGORITHMS ANALYSIS FOR NETWORK TRAFFIC CLASSIFICATION
Ключевые слова:
network classification, traffic, Machine learning, algorithmsАннотация
Стремительный рост интернет-сервисов повысил спрос на классификацию сетевого трафика. Сегодня доступно несколько методов анализа сетевого трафика. Одним из таких методов является метод машинного обучения, используемый при анализе зашифрованного трафика. В этой статье были проанализированы четыре различных алгоритма машинного обучения для классификации различных интернет-трафика. В этой статье были изучены такие параметры эффективности классификации, как точность классификации, запоминание, прецизионность и время обучения. Сетевой алгоритм Байеса показал лучшую производительность по точности классификации и времени обучения по сравнению с другими алгоритмами машинного обучения.
Библиографические ссылки
A.Madhukar, C.Williamson, A longitudinal study of p2p traffic classification, in: 14th IEEE International Symposium on Modeling, and Simulation, 2006, pp.179-188. doi: 10.1109/MASCOTS.2006.
Nahlah Abdulrahman Alkhalidi, Fouad A.Yaseen, “FDPHI: Fast Deep Packet Header Inspection for Data Traffic Classification and management” International Journal of Intelligent Engineering & Systems 2021.
Muhammad Shafiq, Xiangzhan Yu, Asif Ali Laghari, “Network Traffic Classification techniques and comparative analysis using Machine Learning algorithms,”Conference: 2016 2nd IEEE International Conference on Computer and Communications (ICCC). DOI:10.1109/CompComm.2016.7925139.
Ahmad Azab, Mahmoud Khasavneh, Saed Alrabaee, Kim-Kwang Raymond Choo, Maysa Sarsour, “Network traffic classification: Techniques, datasets, and challenges,” Digital Communication and Networks(2022), doi: https://doi.org/10.1016/j.dcan.2022.09.009.
Muhammad Sameer Sheikh, Yinqiao Peng, “Procedures, Criteria, and Machine Learning Techniques for Network Traffic Classification: A Survey,” 2022, IEEE Access, p. 61135-61158.
P.Khandait, N.Hubbali, B.Mazumdar, Efficient keyword matching for deep packet inspection based network traffic classification, in:2020 International Conference on communication Systems & Networs (COMSNETS), IEEE, 2020, pp. 567-570.
https://www.cl.cam.ac.uk/research/srg/netos/projects/archive/nprobe/data/papers/index.html
N.Hubbali, M.Swarnkar, M.Conti, Bitprob: probabilistic bit signatures for accurate application identification, IEEE Transactions on Network and Service management 17 (3) (2020).
Загрузки
Дополнительные файлы
Опубликован
Как цитировать
Лицензия
Copyright (c) 2024 feruza Tojiyeva, Utkir Khamdamov
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
