ارائه راهکار مبتنی بر یادگیری عمیق برای دسته بندی ترافیک رمزگذاری شده در شبکه های مبتنی بر نرم افزار
Publish place: The 6th International Conference on Global Studies in Computer, Electrical, and Mechanical Engineering
Publish Year: 1401
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 189
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ENPMCONF06_006
تاریخ نمایه سازی: 4 اردیبهشت 1402
Abstract:
یکی از مهمترین روش های مدیریت و حفظ امنیت شبکه، طبقهبندی ترافیک است. طبقه بندی ترافیک این امکان را به مدیران شبکه و فراهم آورندگان سرویسهای اینترنت میدهد تا با تخصیص درست منابع شبکه بتوانند کیفیت خدمات شبکه (Qos) و میزان بهره وری شبکه را افزایش دهند. روشهای سنتی طبقه بندی ترافیک شبکه، مانند روش مبتنی بر پورت و روش بازرسی عمیق محتوی بسته، واسته به بازرسی مستقیم بسته های جریان هستند. اما امروزه با توجه به اینکه ترافیک رمزگذاری شده به شدت افزایش یافته است، از الگوریتمهای یادگیری ماشین که مبتنی بر ویژگیهای آماری سطح جریان است، به منظور بهبود دقت شناسایی و طبقه بندی ترافیک استفاده میشود. در این مقاله، تفکیک ترافیک شبکه در دو سطح "دسته بندی ترافیک رمزگذاری شده" و "شناسایی برنامه های کاربردی" با استفاده از الگوریتمهای یادگیری ماشین بانظارت با دقت بالا انجام شده است. در این روش با هدف بهبود روش طبقه بندی ترافیک، ویژگیهای مناسب به صورت خودکار با استفاده از شبکه خودرمزنگار مبتنی بر یادگیری عمیق انتخاب و استخراج شده اند. مدل طبقه بندی پیشنهاد شده را میتوان در شبکه های مبتنی بر نرم افزار با استفاده از کنترلر POX و شبیه ساز Mininet پیاده سازی کرد.
Keywords:
طبقه بندی ترافیک شبکه , شناسایی برنامه های کاربردی , یادگیری ماشین , یادگیری عمیق , خودرمزنگار , شبکه مبتنی بر نرم افزار
Authors
نگین محمدی
دانشجوی کارشناسی ارشد دانشگاه آل طه، دانشکده برق و کامپیوتر، تهران ، ایران
علیرضا شیرمرز
گروه مهندسی کامپیوتر، دانشگاه آل طه، دانشکده برق و کامپیوتر، تهران، ایران