Analysis of traffic classification methods in software-defined networks

Authors

  • O.Y. Kulakov National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute” https://orcid.org/0009-0001-1647-0336
  • V.Y. Cherednyk National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”

DOI:

https://doi.org/10.18372/2073-4751.82.20365

Keywords:

SDN, traffic classification, machine learning, neural networks, QoS, artificial intelligence

Abstract

This paper examines traffic classification methods in Software-Defined Networks (SDN). The purpose of this work is to analyze and systematize modern approaches to network traffic classification in the SDN environment.

Traditional classification methods, particularly port-based and Deep Packet Inspection (DPI), are analyzed. Machine learning methods, including SVM, Random Forest, neural networks, and clustering algorithms, along with their advantages and disadvantages, are investigated. The accuracy and efficiency of different classification methods are compared based on published research results.

The authors propose further research on the use of artificial intelligence algorithms in software-defined networks to improve traffic classification accuracy and adaptability to changes in the network environment. The results of comparing different traffic classification methods with a focus on their effectiveness in SDN networks are presented.

References

Luckner M. Conversion of Decision Tree into Deterministic Finite Automaton for High Accuracy Online SYN Flood Detection. Computational Intelligence, IEEE Symposium Series on Cape Town. 2015. P. 75–82.

Ospina Cifuentes B. J. et al. Analysis of the Use of Artificial Intelligence in Software-Defined Intelligent Networks: A Survey. Technologies. 2024. Vol. 12. P. 99.

Kulakov Y. O., Oboznyi D. M. DPI traffic classification technologies in SDN networks: a survey. Problems of informatization and control. 2023. Vol. 2, no. 74. P. 49–54.

Pradhan A. Network Traffic Classification using Support Vector Machine and Artificial Neural Network. International Journal of Computer Applications. 2011. Vol. 8. P. 8–12.

Raikar M. M. et al. Data traffic classification in software defined networks (SDN) using supervised-learning. Procedia Computer Science. 2020. Vol. 171. P. 2750–2759.

Ganesan E. et al. SDN-enabled FiWi-IoT smart environment network traffic classification using supervised ML models. Photonics. 2021. Vol. 8. P. 201.

Wassie Geremew G., Ding J. Elephant Flows Detection Using Deep Neural Network, Convolutional Neural Network, Long Short-Term Memory, and Autoencoder. Journal of Computer Networks and Communications. 2023. Vol. 1495642. P. 18.

Nuñez-Agurto D. et al. A Novel Traffic Classification Approach by Employing Deep Learning on Software-Defined Networking. Future Internet. 2024. Vol. 16. P. 153.

Wang Y. et al. A novel semi-supervised approach for network traffic clustering. 2011 5th International Conference on Network and System Security : proceedings, Milan, Italy, 06–08 September 2011 / IEEE. 2011. P. 169–175.

Du Y., Zhang R. Design of a method for encrypted p2p traffic identification using k-means algorithm. Telecommunication Systems. 2013. Vol. 53. P. 163–168.

Canever H., Wang X. Network traffic classification using Unsupervised Learning: a comparative analysis of clustering algorithms. 2023. hal-04149117. P. 26.

D’Angelo G., Palmieri F. Network traffic classification using deep convolutional recurrent autoencoder neural networks for spatial–temporal features extraction. Journal of Network and Computer Applications. 2021. Vol. 173. P. 16.

Margariti S. V. et al. Traffic Classification in Software-Defined Networking Using Genetic Programming Tools. Future Internet. 2024. Vol. 16. P. 338.

Ashour M. M., Yakout M. A., AbdElhalim E. Traffic Classification in Software Defined Networks based on Machine Learning Algorithms. International Journal of Telecommunications. 2024. Vol. 4. P. 1–19.

Efendi R., Wahyono T., Widiasari I. R. DBSCAN SMOTE LSTM: Effective Strategies for Distributed Denial of Service Detection in Imbalanced Network Environments. Big Data and Cognitive Computing. 2024. Vol. 8. P. 118.

Downloads

Published

2025-08-23

Issue

Vol. 2 No. 82 (2025)

Section

Статті

License

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).