اخبار و اعلانات
آمار
| تعداد نشریات | 38 |
| تعداد شمارهها | 1,408 |
| تعداد مقالات | 10,088 |
| تعداد مشاهده مقاله | 11,909,217 |
| تعداد دریافت فایل اصل مقاله | 6,961,310 |
مدل طبقهبندی ترافیک شبکههای کامپیوتری مبتنی بر خوشهبندی DBScan و طبقهبند گاما | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 1، دوره 13، شماره 3 - شماره پیاپی 51، آبان 1404، صفحه 1-21 اصل مقاله (1.33 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سیده زهره مجیدیان1؛ شیوا تقی پور عیوضی* 2؛ بهمن آراسته3؛ علی غفاری4 | ||
| 1دانشجوی دکتری، گروه مهندسی کامپیوتر، واحد بین المللی ارس، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 2استادیار، گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 3دانشیار، گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 4استاد،گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| تاریخ دریافت: 0-1097 فروردین 786، تاریخ بازنگری: 0-1041 فروردین 786، تاریخ پذیرش: 0-1007 فروردین 786 | ||
| چکیده | ||
| طبقهبندی ترافیک یکی از مهمترین فرآیندهای نظارت بر شبکه است که کاربردهای گستردهای در حوزههای امنیت، کیفیت خدمات و مدیریت شبکه دارد. با افزایش پیچیدگی و تنوع ترافیک شبکه، چالشهای جدیدی از جمله کمبود دادههای آموزشی برچسبگذاریشده بوجود میآید. به منظور رفع این چالش در این مقاله، سازوکار طبقهبندی ترافیک با ترکیب الگوریتمهای یادگیری ماشین بدون نظارت و نیمه نظارتی ارائه میشود. این سازوکار از مجموعه محدودی از دادههای آموزشی برچسبگذاریشده برای بهبود دقت طبقهبندی استفاده میکند. روش پیشنهادی، هر جریان ترافیک را به عنوان یک بردار ویژگی توصیف میکند که شامل ویژگیهای آماری آن جریان است. تعداد ویژگیهای ایجاد شده برای هر نمونه نیز با استفاده از تحلیل مولفههای اصلی کاهش مییابد. خوشهبندی DBScan برای تعیین نوع ترافیک صحیح برای هر جریان ترافیک بدون برچسب استفاده میشود. در نهایت، از مدل طبقهبند گاما برای تفکیک جریانهای ترافیک جدید استفاده میشود. کارایی روش پیشنهادی با استفاده از مجموعه دادههای واقعی ارزیابی شده است. نتایج نشان میدهد که روش پیشنهادی قادر به طبقهبندی جریانهای ترافیکی با دقت متوسط 95.12 درصد است که حداقل 7.03 درصد بهبود را نسبت به رویکردهای قبلی نشان میدهد. کلید واژهها: طبقه بندی ترافیک، یادگیری ماشین، خوشه بندی DBScan، طبقهبند گاما. | ||
| کلیدواژهها | ||
| طبقه بندی ترافیک؛ یادگیری ماشین؛ خوشه بندی DBScan؛ طبقهبند گاما | ||
| موضوعات | ||
| امنیت اطلاعات، رمزنگاری، پنهان نگاری، پروتکل ها و استانداردها | ||
| عنوان مقاله [English] | ||
| Computer NetworksTraffic Classification Model Based on DBScan Clustering and Gamma Classification | ||
| نویسندگان [English] | ||
| Seyede Zohreh Majidian1؛ Shiva TaghipourEivazi2؛ Bahman Arasteh3؛ Ali Ghaffari4 | ||
| 1PhD student. Department of Computer Engineering, Aras international Branch, Islamic Azad University, Tabriz, Iran | ||
| 2assistant professor. Department of Computer Engineering, Ta.C.،Islamic Azad university, Tabriz, Iran | ||
| 3Associate Professor. Department of Computer Engineering, Ta.C.،Islamic Azad university, Tabriz, Iran | ||
| 4Professor. Department of Computer Engineering, Ta.C.،Islamic Azad university, Tabriz, Iran | ||
| چکیده [English] | ||
| Traffic classification is one of the most important network monitoring processes that has wide applications in the fields of security, quality of service, and network management. With the increasing complexity and variety of network traffic, new challenges arise, including the lack of labeled training data. In order to solve this challenge, in this paper, a traffic classification mechanism is presented by combining unsupervised and semi-supervised machine learning algorithms. This mechanism uses a limited set of labeled training data to improve classification accuracy. The proposed method describes each traffic flow as a feature vector that contains the statistical characteristics of that flow. The number of features generated for each sample is reduced using principal component analysis. DBScan clustering is used to determine the correct traffic type for each untagged traffic stream. Finally, the gamma classifier model is used to separate the new traffic flows. The efficiency of the proposed method has been evaluated using real data sets. The results show that the proposed method is able to classify traffic flows with an average accuracy of 95.12%, which shows at least 7.03% improvement over previous approaches. | ||
| کلیدواژهها [English] | ||
| Traffic classification, Machine learning, DBScan clustering, Gamma classification | ||
| مراجع | ||
|
[3] M. Cotton, L. Eggert, J. Touch, M. Westerlund, and S. Cheshire, “RFC 6335: Internet Assigned Numbers Authority (IANA) Procedures for the Management of the Service Name and Transport Protocol Port Number Registry.” RFC Editor, USA, 2011. doi: 10.17487/RFC6335 [7] G. Aceto, D. Ciuonzo, A. Montieri, and A. Pescapé, “Mobile Encrypted Traffic Classification Using Deep Learning,” in 2018 Network Traffic Measurement and Analysis Conference (TMA), 2018, pp. 1–8. doi: 10.23919/TMA.2018.8506558. [8] J. Yan, “A Survey of Traffic Classification Validation and Ground Truth Collection,” in 2018 8th International Conference on Electronics Information and Emergency Communication (ICEIEC), 2018, pp. 255–259. doi: 10.1109/ICEIEC.2018.8473477. [9] F. Pacheco, E. Exposito, M. Gineste, C. Baudoin, and J. Aguilar, “Towards the Deployment of Machine Learning Solutions in Network Traffic Classification: A Systematic Survey,” IEEE Commun. Surv. Tutorials, vol. 21, no. 2, pp. 1988–2014, 2019, doi: 10.1109/COMST.2018.2883147. [10] M. Shen, Y. Liu, L. Zhu, K. Xu, X. Du, and N. Guizani, “Optimizing Feature Selection for Efficient Encrypted Traffic Classification: A Systematic Approach,” IEEE Netw., vol. 34, no. 4, pp. 20–27, 2020, doi: 10.1109/MNET.011.1900366. [11] S. Dong, “Multi class SVM algorithm with active learning for network traffic classification,” Expert Syst. Appl., vol. 176, p. 114885, 2021, doi: 10.1016/j.eswa.2021.114885. [12] Z. Bu, B. Zhou, P. Cheng, K. Zhang, and Z.-H. Ling, “Encrypted Network Traffic Classification Using Deep and Parallel Network-in-Network Models,” IEEE Access, vol. 8, pp. 132950–132959, 2020, doi: 10.1109/ACCESS.2020.3010637. [13] A. A. Afuwape, Y. Xu, J. H. Anajemba, and G. Srivastava, “Performance evaluation of secured network traffic classification using a machine learning approach,” Comput. Stand. Interfaces, vol. 78, p. 103545, 2021, doi: 10.1016/j.csi.2021.103545. [14] G. D’Angelo and F. Palmieri, “Network traffic classification using deep convolutional recurrent autoencoder neural networks for spatial–temporal features extraction,” J. Netw. Comput. Appl., vol. 173, p. 102890, 2021, doi: 10.1016/j.jnca.2020.102890. [15] R. Kumar, M. Swarnkar, G. Singal, and N. Kumar, “IoT Network Traffic Classification Using Machine Learning Algorithms: An Experimental Analysis,” IEEE Internet Things J., vol. 9, no. 2, pp. 989–1008, 2022, doi: 10.1109/JIOT.2021.3121517. [16] J. Guan, J. Cai, H. Bai, and I. You, “Deep transfer learning-based network traffic classification for scarce dataset in 5G IoT systems,” Int. J. Mach. Learn. Cybern., vol. 12, no. 11, pp. 3351–3365, 2021, doi: 10.1007/s13042-021-01415-4. [17] M. M. Raikar, M. S M, M. M. Mulla, N. S. Shetti, and M. Karanandi, “Data Traffic Classification in Software Defined Networks (SDN) using supervised-learning,” Procedia Comput. Sci., vol. 171, pp. 2750–2759, 2020, doi: 10.1016/j.procs.2020.04.299. [18] G. Aceto, D. Ciuonzo, A. Montieri, and A. Pescapé, “Toward effective mobile encrypted traffic classification through deep learning,” Neurocomputing, vol. 409, pp. 306–315, 2020, doi: 10.1016/j.neucom.2020.05.036. [19] G. Aceto, D. Ciuonzo, A. Montieri, and A. Pescapé, “DISTILLER: Encrypted traffic classification via multimodal multitask deep learning,” J. Netw. Comput. Appl., vol. 183–184, p. 102985, 2021, doi: 10.1016/j.jnca.2021.102985. [20] S. Rezaei and X. Liu, “Deep Learning for Encrypted Traffic Classification: An Overview,” IEEE Commun. Mag., vol. 57, no. 5, pp. 76–81, 2019, doi: 10.1109/MCOM.2019.1800819.
[21] A. M. Sadeghzadeh, S. Shiravi, and R. Jalili, “Adversarial Network Traffic: Towards Evaluating the Robustness of Deep-Learning-Based Network Traffic Classification,” IEEE Trans. Netw. Serv. Manag., vol. 18, no. 2, pp. 1962–1976, 2021, doi: 10.1109/TNSM.2021.3052888. [22] J. Höchst, L. Baumgärtner, M. Hollick, and B. Freisleben, “Unsupervised Traffic Flow Classification Using a Neural Autoencoder,” in 2017 IEEE 42nd Conference on Local Computer Networks (LCN), 2017, pp. 523–526. doi: 10.1109/LCN.2017.57. [23] F. L. Gewers et al., “Principal Component Analysis: A Natural Approach to Data Exploration,” ACM Comput. Surv., vol. 54, no. 4, May 2021, doi: 10.1145/3447755. [24] D. Deng, “DBSCAN Clustering Algorithm Based on Density,” in 2020 7th International Forum on Electrical Engineering and Automation (IFEEA), 2020, pp. 949–953. doi: 10.1109/IFEEA51475.2020.00199. [25] M. Raja, P. Hasan, M. Mahmudunnobe, M. Saifuddin, and S. N. Hasan. Membership determination in open clusters using the DBSCAN Clustering Algorithm. Astronomy and Computing, 47, 100826, 2024. doi: 10.1016/j.ascom.2024.100826. [26] J. L. Velazquez-Rodriguez, Y. Villuendas-Rey, O. Camacho-Nieto and C. Yanez-Marquez. A novel and simple mathematical transform improves the perfomance of lernmatrix in pattern classification. Mathematics, 8(5), 732, 2020. doi: /10.3390/math8050732. [27] Y. Zhao and X. Shu. Speech emotion analysis using convolutional neural network (CNN) and gamma classifier-based error correcting output codes (ECOC). Scientific Reports, 13(1), 20398, 2023. doi: 10.1038/s41598-023-47118-4. | ||
|
آمار تعداد مشاهده مقاله: 418 تعداد دریافت فایل اصل مقاله: 226 |
||