Hội thảo nghiên cứu ứng dụng Mật mã và An toàn thông tin

Bài viết

Phân loại luồng dữ liệu dựa trên học chuyển giao đa nguồn trong hệ thống mạng SDN phân tán

DOI: 10.54654/isj.v2i19.990
Từ khóaphân loại luồng dữ liệu mạngmạng định nghĩa bằng phần mềmhọc chuyển tiếpTrAdaBoostTrAdaBoost đa nguồn

Tóm tắt

Tóm tắt— Ngày nay, phân loại luồng dữ liệu mạng đóng một vai trò quan trọng trong nhiều lĩnh vực như quản trị mạng, bảo mật, an toàn thông tin. Dữ liệu mạng mã hoá đang dần phổ biến, đơn cử như các dữ liệu của các nhà cung cấp dịch vụ lớn như Google, Facebook. Với các dữ liệu mạng bị mã hoá thì các phương pháp truyền thống như phân loại theo cổng (Port), theo kiểm tra gói sâu (DPI – Deep Packet Inspection) đã không còn hiệu quả, thay vào đó các phương pháp dựa vào học máy sẽ hiệu quả hơn. Gần đây các nghiên cứu về mạng định nghĩa bằng phần mềm SDN (Software Defined Networking) phân tán đã giúp giải quyết vấn đề nhất quán dữ liệu giữa các miền SDN. Từ đó vấn đề phân loại luồng dữ liệu trong mạng SDN phân tán có thể quy về việc phân loại như trên một miền, tuy nhiên trong trường hợp có một miền mạng SDN mới kết nối vào mạng SDN phân tán với số lượng ít các dữ liệu có thể dẫn tới kết quả phân loại không được tốt. Với lý do đó nhóm tác giả đã đề xuất giải thuật MMSTrAda, một giải thuật chuyển giao tri thức từ các miền mạng đã có nhiều dữ liệu sang miền mạng mới thành lập dựa trên giải thuật MSTradaBoost (TrAdaBoost đa nguồn). Kết quả phân loại dữ liệu mã hóa khi sử dụng giải pháp đề xuất để phân loại 3 loại dịch vụ E-commerce, Interactive data, Video on-demand trên miền mạng mới xuất hiện với chỉ số macro-F1 đều đạt trên 88%.

Lượt tải theo tháng

091812/2301/2403/2404/2405/2406/2407/2408/2409/2410/2411/2412/2402/2503/2504/2505/2506/2507/2508/2509/2510/2511/2512/2501/2602/2603/2604/2605/26

Di chuột vào cột để xem số lượt tải.

Cách trích dẫn

Hoàng Nam Thắng, Nguyễn Trần Lê Tuấn, Dương Công Sơn, Tống Văn Vạn, Trân Hải Anh (2023). Phân loại luồng dữ liệu dựa trên học chuyển giao đa nguồn trong hệ thống mạng SDN phân tán. Tạp chí Khoa học và Công nghệ trong lĩnh vực An toàn thông tin, 2(19), 59-60. https://doi.org/10.54654/isj.v2i19.990

Tài liệu tham khảo

  1. 1.. J. Yan and J. Yuan, “A survey of traffic classification in software defined networks,” in 2018 1st IEEE International Conference on Hot Information-Centric Networking (HotICN). IEEE, 2018, pp. 200–206.
  2. 2.. M. Lotfollahi, M. Jafari Siavoshani, R. Shirali Hossein Zade, and M. Saberian, “Deep packet: A novel approach for encrypted traffic classification using deep learning,” Soft Computing, vol. 24, no. 3, pp. 1999–2012, 2020.
  3. 3.. K.-C. Chiu, C.-C. Liu, and L.-D. Chou, “Capc: Packet-based network service classifier with convolutional autoencoder,” IEEE Access, vol. 8, pp. 218 081–218 094, 2020.
  4. 4.. V. Tong, H. A. Tran, S. Souihi, and A. Mellouk, “A novel quic traffic classifier based on convolutional neural networks,” in 2018 IEEE Global Communications Conference (GLOBECOM). IEEE, 2018, pp. 1–6.
  5. 5.. P. Wang, F. Ye, X. Chen, and Y. Qian, “Datanet: Deep learning based encrypted network traffic classification in sdn home gateway,” IEEE Access, vol. 6, pp. 55 380–55 391, 2018.
  6. 6.. Tuan, T. A., Cuong, N. N., Anh, N. V., & Long, H. V. . (2023). Proposing the application of a deep learning model to detect the malicious IP address of botnet in the computer network. Journal of Science and Technology on Information Security, 3(17), 43-52. https://doi.org/10.54654/isj.v3i17.894
  7. 7.. Quy, T. N., Tung, N. T., Trung, D. Q., & Viet, D. H. (2022). Convolutional neural network based sidechannel attacks. Journal of Science and Technology on Information Security, 1(15), 26-37. https://doi.org/10.54654/isj.v1i15.834
  8. 8.. Dung, N. T., Quân, N. V., & Hùng, N. V. (2023). Application of deep learning model in network reconnaissance attack detection. Journal of Science and Technology on Information Security, 2(16), 60-72. https://doi.org/10.54654/isj.v1i16.922
  9. 9.. D. Kreutz, F. M. Ramos, P. E. Verissimo, C. E. Rothenberg, S. Azodolmolky, and S. Uhlig, “Software-defined networking: A comprehensive survey,” Proceedings of the IEEE, vol. 103, no. 1, pp. 14–76, 2014.
  10. 10.. N.-T. Hoang, V. Tong, H. A. Tran, C. S. Duong, and T. L. T. Nguyen, “Lstm-based server and route selection in distributed and heterogeneous sdn network,” Journal of Computer Science and Cybernetics, vol. 39, no. 1, pp. 79– 99, 2023.
  11. 11.. T. Moufakir, M. F. Zhani, A. Gherbi, and O. Bouachir, “Collaborative multi-domain routing in sdn environments,” Journal of Network and Systems Management, vol. 30, pp. 1–23, 2022.
  12. 12.. F. Bannour, S. Souihi, and A. Mellouk, “Distributed sdn control: Survey, taxonomy, and challenges,” IEEE Communications Surveys & Tutorials, vol. 20, no. 1, pp. 333–354, 2017.
  13. 13.. N.-T. Hoang, H.-N. Nguyen, H.-A. Tran, and S. Souihi, “A novel adaptive east–west interface for a heterogeneous and distributed sdn network,” Electronics, vol. 11, no. 7, p. 975, 2022.
  14. 14.. Y. Yao and G. Doretto, “Boosting for transfer learning with multiple sources,” in 2010 IEEE computer society conference on computer vision and pattern recognition. IEEE, 2010, pp. 1855–1862.
  15. 15.. “Network traffic classification based on transfer learning,” Computers & Electrical Engineering, vol. 69, pp. 920–927, 2018.
  16. 16.. Z. Taghiyarrenani and H. Farsi, “Domain adaptation with maximum margin criterion with application to network traffic classification,” pp. 159–169, 2022.
  17. 17.. W. Dai, Q. Yang, G.-R. Xue, and Y. Yu, “Boosting for transfer learning,” in Proceedings of the 24th international conference on Machine learning, 2007, pp. 193–200.
  18. 18.. H. He, K. Khoshelham, and C. Fraser, “A multiclass tradaboost transfer learning algorithm for the classification of mobile lidar data,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 166, pp. 118–127, 2020.
  19. 19.. M. Grandini, E. Bagli, and G. Visani, “Metrics for multi-class classification: an overview,” arXiv preprint arXiv:2008.05756, 2020.

Bài viết liên quan