Создание базы данных сетевого трафика для автоматизации классификации мобильных приложений под управлением операционной системы Android

О. И. Шелухин; С. Д. Ерохин; В. В. Барков

doi:10.18127/j19998554-201901-06

Создание базы данных сетевого трафика для автоматизации классификации мобильных приложений под управлением операционной системы Android

О. И. Шелухин¹, С. Д. Ерохин², В. В. Барков³

научная статья УДК 004.732.056 Страницы: 40-51 doi.org/10.18127/j19998554-201901-06

¹ д.т.н., профессор, зав. кафедрой «Информационная безопасность», Московский технический университет связи и информатики
² к.т.н., доцент, ректор Московского технического университета связи и информатики
³ ассистент, кафедра «Информационная безопасность», Московский технический университет связи и информатики

Ключевые слова: Классификация машинное обучение алгоритмы сетевой трафик пакет поток протокол сеть мобильные приложения эффективность программный интерфейс инфологическое и даталогическое проектирование

Аннотация

Для автоматизации процесса исследования алгоритмов классификации трафика мобильных приложений разработан программный комплекс, позволяющий в автоматическом режиме собирать с мобильных устройств пакеты сетевого трафика и сохранять их в базу данных; группировать пакеты сетевого трафика в потоки; по запросу пользователя формировать наборы данных с заданными характеристиками (количество потоков конкретного приложения; наличие фонового трафика; формирование набора данных на основе уже созданного набора с добавлением новых потоков, исключая повторения). Описаны проектирование и программная реализация базы данных трафика мобильных приложений, являющейся составной частью экспертно-аналитической системы «Система анализа трафика». Рассмотрены этапы проектирования базы данных, включая концептуальный, логический и физический. Приведено описание таблиц, их связей.

Спроектирована, реализована и наполнена база данных. В ходе инфологического и даталогического проектирования выделено 21 сущность, 6 из которых (apps, flows, flowsinset, flowsets, packets, backgroundflows) используются для непосредственного хранения данных трафика. В ходе физического проектирования выбран сервер баз данных MySQL 5.7 и создана 21 таблица.

Для доступа к базе данных с применением технологии Java Enterprise Edition создано корпоративное приложение, предоставляющее доступ с помощью REST API. Для сбора трафика с мобильных устройств под управлением операционной системы Android разработано приложение, которое с помощью прикладного программного интерфейса для создания виртуальных частных сетей, собирает пакеты сетевого трафика, идентифицирует приложение-источник и отправляет их по протоколу HTTP серверному программному обеспечению.

С использованием клиентского и серверного программного обеспечения созданная база данных была наполнена трафиком 18 основных приложений. В ходе сбора данных получено 71667 потоков и 6989991 пакетов.

Для цитирования

Шелухин О.И., Ерохин С.Д., Барков В.В. Создание базы данных сетевого трафика для автоматизации классификации мобильных приложений под управлением операционной системы Android // Нейрокомпьютеры: разработка, применение. 2019. № 1. С. 40–51. DOI: https://doi.org/10.18127/j19998554-201901-06

Список источников

Шелухин О.И., Ерохин С.Д., Ванюшина А.В. Классификация IP-трафика методами машинного обучения / Под ред. О.И. Шелухина. М.: Горячая линия – Телеком. 2018.
Шелухин О.И., Барков В.В. Разработка инфраструктуры для классификации сетевого трафика мобильных приложений с применением алгоритмов машинного обучения // Труды междунар. НТК «Телекоммуникационные и вычислительные системы – 2017». М.: Горячая линия – Телеком. 2017. С. 180.
Шелухин О.И., Барков В.В. Методы сбора сетевого трафика с мобильных устройств под управлением операционной системы android с целью классификации по типам приложений // Сб. трудов XII Междунар. науч.-технич. конф. «Технологии информационного общества». Москва, МТУСИ, 14–15 марта 2018 г. В 2-х томах. Т. 2. М.: ИД «Медиа Паблишер». 2018.
Ерохин С.Д., Ванюшина А.В. Влияние фонового трафика на эффективность классификации приложений методами машинного обучения // T-Comm: Телекоммуникации и транспорт. 2017. Т. 11. № 12. С. 31–36.
Щербакова Н.Г. Анализ IP-трафика методами Data Mining // Проблемы информатики. 2012. № 4. С. 30–46.
Jamuna A., Vinodh Ewards S.E. Efficient flow based network traffic classification using machine learning // International Journal of Engineering Research and Applications (IJERA). 2013. V. 3. № 2. P. 1324–1328.
Park B.C., Win Y.J., Kim M.S., Hong J.W. Towards automated application signature generation for traffic identification // NOMS: Network operations and management symposium. Salvador, Bahia, Brazil, 7–11 April 2008. P. 160–167.
Soysal M., Schmidt E. Machine learning algorithms for accurate flow-based network traffic classification: Evaluation and comparison // Performance Evaluation. 2010. V. 67. № 6. P. 451–467.
Nguyen T., Armitage G. A survey of techniques for Internet traffic classification using machine learning // IEEE Communications Surveys and Tutorials. 2008. V. 11. № 3. P. 37–52.
Коматинэни С., Маклин Д., Хэшими С. Google Android: программирование для мобильных устройств Pro Android 2. Изд. 1-е. СПб.: Питер. 2011.
Советов Б.Я., Цехановский В.В., Чертовский В.Д. Базы данных: теория и практика. М.: Высшая школа. 2005.
Карпова И.П. Базы данных. Курс лекций и материалы для практических занятий. Учеб. пособие. СПб.: Питер. 2013.

[1] Шелухин О.И., Ерохин С.Д., Ванюшина А.В. Классификация IP-трафика методами машинного обучения / Под ред. О.И. Шелухина. М.: Горячая линия – Телеком. 2018.

[2] Шелухин О.И., Барков В.В. Разработка инфраструктуры для классификации сетевого трафика мобильных приложений с применением алгоритмов машинного обучения // Труды междунар. НТК «Телекоммуникационные и вычислительные системы – 2017». М.: Горячая линия – Телеком. 2017. С. 180.

[3] Шелухин О.И., Барков В.В. Методы сбора сетевого трафика с мобильных устройств под управлением операционной системы android с целью классификации по типам приложений // Сб. трудов XII Междунар. науч.-технич. конф. «Технологии информационного общества». Москва, МТУСИ, 14–15 марта 2018 г. В 2-х томах. Т. 2. М.: ИД «Медиа Паблишер». 2018.

[4] Ерохин С.Д., Ванюшина А.В. Влияние фонового трафика на эффективность классификации приложений методами машинного обучения // T-Comm: Телекоммуникации и транспорт. 2017. Т. 11. № 12. С. 31–36.

[5] Щербакова Н.Г. Анализ IP-трафика методами Data Mining // Проблемы информатики. 2012. № 4. С. 30–46.

[6] Jamuna A., Vinodh Ewards S.E. Efficient flow based network traffic classification using machine learning // International Journal of Engineering Research and Applications (IJERA). 2013. V. 3. № 2. P. 1324–1328.

[7] Park B.C., Win Y.J., Kim M.S., Hong J.W. Towards automated application signature generation for traffic identification // NOMS: Network operations and management symposium. Salvador, Bahia, Brazil, 7–11 April 2008. P. 160–167.

[8] Soysal M., Schmidt E. Machine learning algorithms for accurate flow-based network traffic classification: Evaluation and comparison // Performance Evaluation. 2010. V. 67. № 6. P. 451–467.

[9] Nguyen T., Armitage G. A survey of techniques for Internet traffic classification using machine learning // IEEE Communications Surveys and Tutorials. 2008. V. 11. № 3. P. 37–52.

[10] Коматинэни С., Маклин Д., Хэшими С. Google Android: программирование для мобильных устройств Pro Android 2. Изд. 1-е. СПб.: Питер. 2011.

[11] Советов Б.Я., Цехановский В.В., Чертовский В.Д. Базы данных: теория и практика. М.: Высшая школа. 2005.

[12] Карпова И.П. Базы данных. Курс лекций и материалы для практических занятий. Учеб. пособие. СПб.: Питер. 2013.

Аннотация

Для цитирования

Похожие статьи