9575

تحليل و پايش ترافيك شبكه مبتني بر يادگيري ماشين

كارشناسي

مهندسي كامپيوتر

1403

دكتر رضا انتظاري ملكي

1403/12/03

مهندسي كامپيوتر

Machine Learning-Based Network Traffic Analysis and Monitoring

در سال‌هاي اخير، طبقه ‌بندي ترافيك و جريان‌‌هاي شبكه به دليل اهميت فزاينده آن در مديريت ازدحام، بهبود امنيت سايبري و ارتقاي تجربه كاربري، به يكي از موضوعات پررنگ و كليدي در حوزه پژوهش تبديل شده است. در اين راستا، چارچوب‌هاي مختلفي مبتني بر يادگيري ماشين معرفي شده‌اند، اما همچنان استحكام و كارايي اين مدل‌ها در مواجهه با داده‌هاي آشفته و جريان‌هاي متخاصم، مورد بحث و بررسي قرار دارد. در اين مطالعه، با استفاده از مجموعه داده ISCX 2016 به‌عنوان مجموعه داده اوليه، كه شامل جريان‌هاي متنوع شبكه‌اي از طبقه بندي‌هاي مختلف است، داده‌هاي متخاصم توليد شده از طريق حملات شبيه سازي شده به مدل‌ ها وارد شدند. هدف از اين كار، ارزيابي دقيق و جامع رفتار سه چارچوب پيشرفته Calmid ، RAL و Micfoal، كه تلفيقي از يادگيري عميق و فعال را در طراحي خود به‌كار گرفته‌اند، در مواجهه با چنين داده‌هايي بود. نتايج بررسي‌ها نشان داد كه اين مدل‌ها در برابر حملات با ابعاد و شدت‌ هاي مختلف چه رفتارهايي از خود نشان مي‌دهند و به چه ميزان مكانيزم‌هاي رانش مفهومي و مديريت عدم تعادل چندكلاسه به آن‌ها در انطباق سريع‌تر و مؤثرتر با داده‌هاي جديد كمك مي‌كند. يافته‌ها نشان مي‌دهد كه اغلب، به دليل مكانيزم رانش مفهومي جريان‌هاي با بيشترين ميزان آشفتگي معمولا بالاترين شيب افزايش صحت را در ميان چارچوب‌ها به خود اختصاص داده‌اند و از طرفي اين چارچوب‌ها ناتوان در تشخيص داده‌هاي آشفته ميباشند كه همين امر سبب ناهنجاري و انحراف صحت طبقه‌بندي آنها شده است.