MACHINE LEARNING ALGORITHMS ANALYSIS FOR NETWORK TRAFFIC CLASSIFICATION

Авторы

  • feruza Tojiyeva ТУИТ
  • Utkir Khamdamov

Ключевые слова:

network classification, traffic, Machine learning, algorithms

Аннотация

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).

Дополнительные файлы

Опубликован

2024-06-05

Как цитировать

Tojiyeva, feruza, & Khamdamov, U. (2024). MACHINE LEARNING ALGORITHMS ANALYSIS FOR NETWORK TRAFFIC CLASSIFICATION . Потомки Аль-Фаргани, 1(2), 301–305. извлечено от https://al-fargoniy.uz/index.php/journal/article/view/401

Выпуск

Раздел

Статьи

Категории