Аналіз методів класифікації трафіку в програмно-конфігурованих мережах

Автор(и)

  • О.Ю. Кулаков Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0009-0001-1647-0336
  • В.Ю. Чередник Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

DOI:

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

Ключові слова:

програмно-конфігуровані мережі, класифікація трафіку, машинне навчання, нейронні мережі, якість обслуговування, штучний інтелект

Анотація

В даній роботі розглянуто методи класифікації трафіку в програмно-конфігурованих мережах (SDN). Метою роботи є аналіз та систематизація сучасних підходів до класифікації мережевого трафіку в середовищі SDN.

Проаналізовано традиційні методи класифікації, зокрема на основі портів та глибокого аналізу пакетів (DPI). Досліджено методи машинного навчання, включаючи SVM, Random Forest, нейронні мережі та алгоритми кластеризації, їх переваги та недоліки. Порівняно точність та ефективність різних методів класифікації на основі опублікованих результатів досліджень.

Авторами запропоновано подальше дослідження способів використання алгоритмів штучного інтелекту в програмно-конфігурованих мережах з метою підвищення точності класифікації трафіку та адаптивності до змін у мережевому середовищі. Наведено результати порівняння різних методів класифікації трафіку з акцентом на їх ефективність у мережах SDN.

Посилання

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.

##submission.downloads##

Опубліковано

2025-08-23

Номер

Том 2 № 82 (2025)

Розділ

Статті

Ліцензія

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).