کنفرانس بین المللی فناوری اطلاعات و دانش

صفحه اصلی / شانزدهمین کنفرانس بین المللی فناوری اطلاعات و دانش

Reinforced Detection: Deep Reinforcement Learning for Binary VoIP Classification in Encrypted Traffic

نویسندگان :

Mohsen Rajabpour¹ Mohammadmoein Asefi² Siavash Khorsandi³

1- دانشگاه صنعتی امیرکبیر 2- دانشگاه بیرجند 3- دانشگاه صنعتی امیرکبیر

کلمات کلیدی :

VoIP Classification،Encrypted Traffic،Deep Reinforcement Learning،A2C،DQN،Encrypted Flow Detection

چکیده :

رشد سریع ترافیک رمزگذاری‌شده چالش‌های مهمی برای مدیریت بلادرنگ کیفیت سرویس (QoS) و شناسایی کاربردها در شبکه‌های مدرن ایجاد کرده است. در این مقاله رویکردی نوین معرفی می‌شود که از یادگیری تقویتی عمیق (DRL) برای طبقه‌بندی دودویی جریان‌های VoIP و غیر-VoIP بدون اتکا به بازرسی بار داده استفاده می‌کند. در این پژوهش دو الگوریتم DRL شامل Deep Q-Network (DQN) و Advantage Actor-Critic (A2C) بر روی چندین مجموعه‌داده واقعی از ترافیک رمزگذاری‌شده، شامل CIC-Darknet2020 (VPN and Tor traffic)، ITC-Net-Audio-5 و Real-network-datasets-for-application-analysis ارزیابی شده‌اند. نتایج تجربی نشان می‌دهد که DQN با دستیابی به دقت 97.9% و امتیاز F1 برابر با 98% عملکردی بهتر از A2C دارد. علاوه بر دقت، مدل‌های DRL تا 23% استحکام بیشتری در شرایط نویزی و نامتوازن و همچنین پایداری بالاتری در بذرهای مختلف آموزشی نشان دادند. با این حال، این مدل‌ها نیازمند تنظیم دقیق ابرپارامترها و منابع محاسباتی قابل توجه در مرحله آموزش هستند.