طبقه بندی ترافیک شبکه رمزگذاری شده با استفاده از مدل های شبکه در شبکه عمیق و موازی

طبقه بندی ترافیک شبکه به دنبال شناسایی انواع مختلف برنامه ها یا ترافیک با تجزیه و تحلیل بسته های داده دریافت شدهاست. در این مقاله یک مدل شبکه عصبی با ساختارهای شبکه در شبکه (NIN) عمیق و موازی برای طبقه بندی ترافیکشبکه رمزگذاری شده ارائه شده است. در مقایسه با شبکه های عصبی پیچشی استاندارد (NIN, (CNN پس از هر لایهپیچش، یک شبکه خرد را برای افزایش مدل سازی محلی اتخاذ می کند. علاوه بر این، NIN قبل از طبقه بندی نهایی، به جایلایه های کاملا متصل سنتی از یک میانگین همگرایی جهانی استفاده می کند که به طور قابل توجهی تعداد پارامترهای مدلرا کاهش می دهد. در روش پیشنهادی این تحقیق، مدل های عمیق NIN با چندین لایه پیچشی MLP ساخته شده اند تابردارهای بسته با طول ثابت را به سمت برچسب های کاربردی یا ترافیکی ترسیم کنند. به علاوه، یک استراتژی تصمیم گیریموازی در ساخت دو شبکه فرعی برای پردازش سرآیند بسته و بدنه بسته به طور جداگانه با توجه به اینکه ممکن است انواعمختلفی از سرنخ ها را برای طبقه بندی حمل کنند، طراحی شده است. نتایج آزمایشات این تحقیق در مجموعه داده هایترافیکی رمزنگاری شده " ISCX VPN-nonVPN " نشان می دهد که مدل های NIN می توانند تعادل بهتری بین دقتطبقه بندی و پیچیدگی مدل نسبت به CNN های معمولی به دست آورند. استراتژی تصمیم گیری موازی می تواند دقتاستفاده از مدل NIN منفرد را برای طبقه بندی ترافیک شبکه رمزگذاری شده بیشتر بهبود بخشد. سرانجام، نمرات مجموعهF۱ به ترتیب ۹۸۳ / ۰ و ۹۸۵ / ۰ برای مشخصه ترافیک و شناسایی برنامه به دست آمده است.

Keywords:

طبقه بندی ترافیک شبکه , شبکه عصبی کانولوشن (پیچشی) , شبکه در شبکه , بسته داده ها