46-53

УДК 004.716
DOI: 10.25686/2306-2819.2019.2.46

КЛАССИФИКАЦИЯ ТРАФИКА ИНТЕРНЕТА ВЕЩЕЙ
ПО СТАТИСТИЧЕСКИМ ХАРАКТЕРИСТИКАМ ПОТОКОВ

Р. Ф. Бикмухамедов, А. Ф. Надеев
Казанский национальный исследовательский технический университет им. А.Н. Туполева (КНИТУ – КАИ),
Российская Федерация, 420111, Казань, ул. К. Маркса, 10
E-mail: radion.bikmukhamedov@pm.me

АННОТАЦИЯ

Количество устройств и приложений интернета вещей (Internet of Things – IoT) стремительно растёт, генерируется сетевой трафик с новыми свойствами, требующими изучения. В данной работе была проведена обработка признаков для ста тысяч потоков, принадлежащих бытовым устройствам различных категорий. Для решения задачи многоклассовой классификации приложений прикладного уровня были протестированы такие алгоритмы машинного обучения, как логистическая регрессия, метод опорных векторов, «решающее дерево», «случайный лес», градиентный бустинг и многослойный перцептрон. Проведён анализ признаков для классификации, а также предложен новый признак – множество найденных TCP флагов в потоке. Проведён сравнительный анализ алгоритмов классификации трафика IoT.

КЛЮЧЕВЫЕ СЛОВА

машинное обучение; интернет вещей; классификация сетевого трафика.

ПОЛНЫЙ ТЕКСТ (pdf)

СПИСОК ЛИТЕРАТУРЫ

1.    Large-Scale Measurement and Characterization of Cellular Machine-to-Machine Traffic / M. Z. Shafiq, L. Ji, A. X. Liu, J. Pang and J. Wang. // IEEE/ACM Transactions on Networking. 2013. Vol. 21, No. 6. Pp. 1960-1973. doi: 10.1109/TNET.2013.2256431
2.    Characterizing and classifying IoT traffic in smart cities and campuses / A. Sivanathan et al. // IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS). Atlanta, GA, 2017. Pp. 559-564. doi: 10.1109/INFCOMW.2017.8116438
3.    Classifying IoT Devices in Smart Environments Using Network Traffic Characteristics / A. Sivanathan et al. // IEEE Transactions on Mobile Computing. doi: 10.1109/TMC.2018.2866249
4.    Обзор задач и методов их решения в области классификации сетевого трафика / А.И. Гетьман, Ю. В.Маркин, Е.Ф. Евстропов и др. // Труды ИСП РАН. 2017. Т. 29, Вып. 3. С. 117-150. DOI: 10.15514/ISPRAS-2017-29(3)-8
5.    Laner M., Svoboda P. and Rupp M. Detecting M2M traffic in mobile cellular networks // IWSSIP 2014 Proceedings, Dubrovnik, 2014. Pp. 159-162.
6.    Костин Д. В., Шелухин О. И. Сравнительный анализ алгоритмов машинного обучения для проведения классификации сетевого зашифрованного трафика // T-Comm. 2016. № 9. С. 46-52.
7.    Tomasz Bujlow, Valentín Carela-Español, Pere Barlet-Ros. Independent comparison of popular DPI tools for traffic classification // Computer Networks. 2015. Vol. 76. Pp. 75-89, DOI: 10.1016/j.comnet.2014.11.001.
8.    Moore A., Zuev D., Crogan M. Discriminators for use in flow-based classification. 2005. URL: https://qmro.qmul.ac.uk/xmlui/bitstream/handle/123456789/5050/RR-05-13.pdf?sequence=1 (дата обращения 23.03.2019)
Scikit-learn: Machine Learning in Python /Pedregosa et al. // Journal of Machine Learning Research. 2011. Vol. 12. Pp. 2825-2830.

Для цитирования: Бикмухамедов Р. Ф., Надеев А. Ф. Классификация трафика интернета вещей по статистическим характеристикам потоков // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2019. № 2 (42). С. 46-53. DOI: 10.25686/2306-2819.2019.2.46