Self-optimizing traffic classification framework

Bc. Ján Rusnačko

Diplomová práce

Anotace:

Klasifikácia sieťovej prevádzky je dôležitou súčasťou správy siete s ohľadom na QoS a bezpečnostný monitoring. Práca popisuje framework pre návrh algoritmov pre klasifikáciu sieťovej prevádzky založený na štatistických vlastnostiach tokov. Stavia na výsledkoch algoritmu SPID a využíva viacúrovňový clustering so samostatnými klasifikátormi. V práci sú tiež uvedených niekoľko nových vlastností tokov a optimalizácia štruktúry a parametrov algoritmu genetickým algoritmom. Efektivita navrhnutého riešenia je vyhodnotená na zázname reálnej sieťovej prevádzky a porovnaná so algoritmom SPID. Predbežné výsledky ukazujú zlepšenú presnosť s výrazným zrýchlením klasifikácie.

Abstract:

Traffic classification is an important part of network management with respect to quality of service and security monitoring. We introduce a novel framework for designing traffic classification algorithms based on statistical flow features. We build on the results achieved by SPID and use multilevel clustering with custom classifiers to avoid peaking effect. Furthermore, we introduce several novel flow features and optimize the structure and parameters of the classifier with a genetic algorithm. The effectiveness of the proposed solution is evaluated on traces of real traffic and compared with SPID. Preliminary results show improved precision and recall with substantial increase of speed of classification.

Keywords

Traffic Classification, Machine Learning, Clustering, SPID

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 23. 5. 2013

Obhajoba závěrečné práce

• Obhajoba proběhla 24. 6. 2013
• Vedoucí: RNDr. Marián Novotný, Ph.D.
• Oponent: prof. RNDr. Václav Matyáš, M.Sc.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Informatika / Bezpečnost informačních technologií