کلاس بندی هوشمند ترافیک شبکه بر مبنای مشخصات محتوی جریان و اطلاعات آماری ترافیک

در شبکه های امروزی، کاربردهای بسیار متنوعی ارائه می شوند که سرویس های متفاوت با نیازمندی های ترافیکی خاص خود را طلب می کنند. به این جهت در مدیریت شبکه، تشخیص و کلاس بندی ترافیک نقش بسیار مهمی در بالا بردن بهره وری شبکه بازی می کند. در روش های اولیه کلاس بندی ترافیک، نوع ترافیک با توجه به شماره پورت تشخیص داده می شد. اما با افزایش کاربردهایی که از شماره پورت های ناشناخته استفاده می کردند، کارایی این روش ها کاهش یافت. روش های بعدی بر مبنای بازرسی عمقی بسته ها بودند. این روش ها علیرغم صحت عملکرد مناسب، نیازمند دسترسی به محتوای پیام بودند که به دلیل مسائل امنیتی همیشه امکان پذیر نیست و همچنین پیچیدگی محاسباتی بالایی نیاز دارند. روش های متاخر با استفاده از مشخصات آماری بسته ها و الگوریتم های یادگیری ماشین، ترافیک را دسته بندی می کنند. اما درکلاس بندی بلادرنگ، معمولا تنها به بخش کمی از اطلاعات آماری جریان می توان دسترسی داشت. در این رساله با توجه به مزایا و معایب دو روش اخیر، ترافیک شبکه بر مبنای اطلاعات محتوای جریان و مشخصات آماری ترافیک، با استفاده از الگوریتم های بیزین و مبتنی بر درخت تصمیم کلاس بندی شده است. به این منظور از الگوریتم های انتخاب ویژگی و نمونه برداری برای پیش پردازش مجموعه داده استفاده شده و از کواریانس ویژگی ها برای کشف وابستگی میان بسته های هر جریان، بهره برده می شود. نتایج نشان می دهند که الگوریتم های مبتنی بر درخت و کواریانس ویژگی ها به بهترین جواب های کلاس بندی می رسند، در حالی که الگوریتم بیزین ساخت مدل سریع تری نسبت به الگوریتم های مبتنی بر درخت دارد. همچنین به منظور کلاس بندی بلادرنگ ترافیک شبکه، از زیرجریان ها و ماتریس کواریانس بهره برده شده است. نتایج نشان می دهد که کواریانس زیرجریان ها صحت و سرعت بهتری را به نسبت استفاده از تمام بسته های هر جریان دارد. به گونه ایی که تنها با استفاده از شانزده بسته ی ابتدای جریان، صحت کلاس بندی بالاتر از 995/0 برای تمام کاربردها به دست می آید. این امر مناسب بودن روش پیشنهادی را برای کلاس بندی بلادرنگ ترافیک تایید می نماید.