ارائه راهکار مبتنی بر یادگیری عمیق برای دسته بندی ترافیک رمزگذاری شده در شبکه های مبتنی بر نرم افزار

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.

کلیدواژه ها:

طبقه بندی ترافیک شبکه ، شناسایی برنامه های کاربردی ، یادگیری ماشین ، یادگیری عمیق ، خودرمزنگار ، شبکه مبتنی بر نرم افزار