350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №4 за 2016 г.
Статья в номере:
Влияние «прореживания» пакетов на качество классификации потоков сетевого трафика методами машинного обучения
Ключевые слова: сетевой трафик классификация технологии машинного обучения алгоритмы классификации C4.5 SVM AdaBoost NaiveBayes BayesNet прореживание
Авторы:
О.И. Шелухин - д.т.н., профессор, зав. кафедрой «Информационная безопасность и автоматизация», Московский технический университет связи и информатики. E-mail: sheluhin@mail.ru Ю.А. Калугин - аспирант, кафедра «Информационная безопасность и автоматизация», Московский технический университет связи и информатики. E-mail: derron210@gmail.com
Аннотация:
Исследовановлияние прореживания пакетов на точность классификации трафика методами машинного обучения на основе использования пакетных трассировок. Приведена оценка эффективности алгоритмов классификации C4.5, SVM, AdaBoost, NaiveBayes, BayesNet; в качестве приложений, используемых для классификации, рассматривались: web, p2p, ftp, mail.
Страницы: 14-24
Список источников

 

  1. Internet Assigned Numbers Authority (IANA), http://www.iana.org/assignments/port-numbers, as of August 12, 2008.
  2. Karagiannis T., Broido A., Faloutsos M. Transport layer identification of P2P traffic. In Proc. of ACM SIGCOMM IMC, August. 2004.
  3. Moore A., Papagiannaki K.Toward the accurate identification of network Applications. In Proc. of PAM Conf., March. 2005.
  4. Moore A., Zuev D. Internet trafficc classification using bayesian analysis techniques. In ACM SIGMETRICS Performance Evaluation Review.ACM. 2005. V.33.P.50-60. 2005.
  5. Sen S., Spatscheck O., Wang D. Accurate, scalable in-network identification of p2p traffic using application signatures,» in Proc. of WWW Conf.. May. 2004.
  6. OpenDPI, the Open Source version of ipoque\'s DPI software, http://www.opendpi.org/.
  7. nDPI, Open and Extensible GPLv3 Deep Packet Inspection Library, http://www.ntop.org/products/ndpi/.
  8. Carela-Espanol V., Barlet-Ros P., Cabellos-Aparicio A., Sole-Pareta J. Analysis of the impact of sampling on NetFlow traffic classification // Comput. Netw. 2011. V. 55.№ 5.P. 1083-1099.
  9. Cohen J.А coefficient of agreement for nominal scales. Educ. and Psychol.Meas. 1960. V. 20.№ 1.P. 37-46.
  10. Karagiannis T., Papagiannaki K., Faloutsos M. BLINC: Multilevel Traffic Classification in the Dark. In Proc. ACM SIGCOMM, Philadelphia, Pennsylvania, USA, August 2005.
  11. Information on See5/C5.0 - RuleQuest Research Data Mining Tools. 2011. [Online]. Available: http://www.rulequest.com/see5-info.html.
  12. Lim T.-S., Loh W.-Y., Shih Y. A comparison of prediction accuracy, complexity, and training time of thirty-three old and new classification algorithms // Machine Learn. 2000. V.40,Is. 3.P. 203-229.
  13. Moore A. W., Zuev D. Internet traffic classification using Bayesian analysis techniques // ACM SIGMETRICS 2005. Banff. Alberta (Canada). June2005. N.Y.: ACM, 2005. P. 50-60.
  14. Platt J. Fast Training of Support Vector Machines using Sequential Minimal Optimization / In B.Schoelkopf,C. Burges, A. Smola, editors, Advances in Kernel Methods - Support Vector Learning. 1998.
  15. Freund Y., SchapireR.E. Decision-theoretic generalization of on-line learning and an application to boosting // Journal of Computer and System Sciences. № 55. 1997.
  16. Weka: http://www.cs.waikato.ac.nz/ml/weka/.