کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / سیزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

طبقه‌بندی ترافیک رمز مبتنی بر یادگیری ماشین

نویسندگان :

افسانه معدنی¹ شقایق نادری² حسین قرایی³

1- پژوهشگاه ارتباطات و فناوری اطلاعات 2- پژوهشگاه ارتباطات و فناوری اطلاعات 3- پژوهشگاه ارتباطات و فناوری اطلاعات

کلمات کلیدی :

تحلیل و طبقه بندي ترافيك،ويژگيهای آماری،یادگیری ماشین،ترافیک رمز

چکیده :

تحلیل و طبقه‌بندی ترافیک نقش مهمی در تأمین امنیت، تضمین کیفیت و مدیریت شبکه دارد. امروزه 70 تا90 درصد از ترافيک شبكه‏ به صورت رمز بر روي پروتكلهای ارتباطي امن مانند HTTPSدر حال انتقال است. ترافیک رمز، در قبال افزایش امنيت و حريم خصوصي کاربر، امکان نظارت و فيلتر ترافيک مشکوک و مخرب در زيرساخت‏هاي ارتباطي را کاهش مي‏دهد. طبقه‌بندی ترافیک رمز بدون رمزگشايي ارتباطات شبكه‏اي كار دشواري است، چرا که اطلاعات payload از دست مي‏رود و تنها اطلاعات سرآيند كه بخشي از آن هم در نسخه‌هاي جدید پروتكلهاي ارتباطي شبكه (نظيرTLS1.03) رمز مي‏شود، قابل دسترسي است. از اينرو رويكردهاي قدیمی تحلیل ترافیک مانند روشهاي مختلف مبتني بر پورت و Payload کارآمدی خود را از دست داده، و رویکردهای جدید مبتنی بر هوش مصنوعی و یادگیری ماشین در تحلیل ترافیک رمز مورد استفاده قرار گرفته‌اند. در اين مقاله پس از بررسي چالش‏هاي تحليل ترافيك و رويكردهاي آن، از روشهای یادگیری ماشین جهت طبقه‌بندی ترافیک روی پایگاه داده ترافیک Kaggle141 استفاده شده و راهبردهایی جهت بکارگیری روشهای مبتنی بر یادگیری ماشین در حوزه عملیاتی تحلیل ترافیک ارائه شده است. نتایج بدست آمده نشان می‌دهد روش جنگل تصادفی، با دقت 95%، بهترین نتیجه را در طبقه‌بندی ترافیک بدست آورده است