13918

بررسي روش‌هاي يادگيري فعال در رده‌بندي ترافيك رمز‌ شده

1402

دكتر رضا انتظاري ملكي

طي دهه‌هاي اخير، ظهور الگوهاي نوظهور شبكه، مانند اينترنت اشيا، چالش هاي مختلفي را در مديريت شبكه به وجود آورده است. رده‌بندي ترافيك شبكه، يك مسئله اساسي در امنيت و مديريت شبكه است و مي¬تواند تحقيق مي‌تواند در حوزه‌هاي مختلفي از جمله تشخيص نفوذ، تحليل رفتار كاربر و بهينه‌سازي مصرف پهناي باند كاربرد داشته باشد. روش‌هاي مختلفي براي رده‌بندي ترافيك شبكه وجود دارد كه مي‌توان آن‌ها را به سه دسته¬ي روش‌هاي مبتني بر پورت، روش‌هاي مبتني بر محتواي بسته و روش‌هاي مبتني بر جريان تقسيم كرد. روش‌هاي سنتي مبتني بر پورت و بازرسي عميق بسته به دليل محدوديت‌هايي مانند رمزنگاري و پورت‌هاي تصادفي، كارايي لازم را ندارند. روش‌هاي مبتني بر جريان كه از الگوريتم‌هاي يادگيري ماشين استفاده مي‌كنند، به دليل توانايي در كشف الگوهاي پيچيده در ترافيك شبكه و رده‌بندي ترافيك رمزگذاري شده، نسبت به روش‌هاي سنتي برتري قابل توجهي دارند. با وجود پيشرفت‌هاي چشمگير در روش‌هاي يادگيري ماشين، چالش‌هايي همچون نياز به حجم بالاي داده‌هاي برچسب‌گذاري شده، عدم تعادل در توزيع كلاس‌ها و پويايي بالاي شبكه‌ها، همچنان مشكلاتي را براي اين روش‌ها در رده‌بندي ترافيك شبكه ايجاد مي¬كند. يادگيري فعال به عنوان يك رويكرد نوآورانه در يادگيري ماشين، با تمركز بر انتخاب نمونه‌هاي آموزشي بهينه، مي‌تواند به طور قابل توجهي اين چالش‌ها را كاهش دهد. با استفاده از يادگيري فعال، مي‌توان مدل‌هاي يادگيري ماشين را با استفاده از تعداد بسيار كمتري نمونه برچسب‌گذاري شده آموزش داد و به دقت بالايي دست يافت. اين سمينار با تمركز بر روش‌هاي مبتني بر جريان، به ويژه يادگيري فعال، به دنبال بررسي كارهاي موجود است.

10/2/2024 12:00:00 AM

84212

1403/07/29

Review of Active Learning Methods for Encrypted Traffic Classification

رده‌بندي ترافيك رمزشده , يادگيري فعال , يادگيري ماشين , رانش مفهومي

Encrypted traffic classification , Active learning , Machine learning , Concept drift