面向服务等级网络流量分类的分段学习
信号处理
2022-08-04 v1
摘要
服务等级(CoS)网络流量分类(NTC)将一组相似流量应用归为一类。CoS 分类在 Internet 服务提供商的资源调度中具有优势，并避免了重新建模的必要。我们的目标是找到一种鲁棒、轻量且快速收敛的 CoS 分类器，其在建模中使用更少数据，且不需要特征提取中的专用工具。网络流段间统计特征的共同性促使我们提出一种新颖的分段学习，其包含基本向量表示与一种简单的分段分类方法。我们使用 EVR 将分段流量以向量形式表示。随后，使用随机森林对分段流量建模以进行分类。我们方案的成功依赖于找到最优段大小以及建模所需的最少段数。该方案在包括虚拟现实(VR)在内的多种 CoS 服务的多个数据集上得到验证。该研究工作的重要发现为：i) 需要确认与请求以继续通信的同步服务分类准确率达 99%；ii) 任何会话中的初始 1000 个数据包足以建模 CoS 流量以获得理想结果，因此我们可快速部署 CoS 分类器；iii) 即便在一个数据集上训练、另一数据集上测试，测试结果仍保持一致。总之，我们的方案首个提出分段学习 NTC，其使用更少特征以 99% 准确率分类大多数 CoS 流量。我们方案的代码已在 GitHub 上提供。
引用
@article{arxiv.2208.01793,
title = {Segmented Learning for Class-of-Service Network Traffic Classification},
author = {Yoga Suhas Kuruba Manjunath and Sihao Zhao and Hatem Abou-zeid and Akram Bin Sediq and Ramy Atawia and Xiao-Ping Zhang},
journal= {arXiv preprint arXiv:2208.01793},
year = {2022}
}
备注
The paper is accepted to be appeared in IEEE GLOBECOM 2022