앙상블 모델에 임계값을 적용한 3단계 순차적 응용 트래픽 분류 시스템 = 3-Step Sequential Application Traffic Classification System Applying Threshold to Ensemble Model

다국어 초록 (Multilingual Abstract)

Application traffic classification is essential for efficient network management and operation, service quality improvement, and network security improvement. Research is being conducted on application traffic classification using machine learning and deep learning to classify application traffic due to the generation of encrypted traffic. However, in order to derive high accuracy, methods that increase the total processing time, such as adding a new methodology for data prepossessing or repeating the structure of a model, are being used. In this paper, we propose a method to reduce the total processing time by sequentially using three simple models. Data were classified by applying two ensemble models and one deep learning model to the proposed classification system. Data that can be classified by applying an appropriate threshold in the ensemble model with high processing speed is first classified, and the remaining data is used in the deep learning model with slow processing speed to improve overall processing speed. As a result of applying the proposed method, 6% higher accuracy was derived than the result using the CNN single model, and the total processing time was shortened by 0.21 seconds.

국문 초록 (Abstract)

효율적인 네트워크 관리 및 운용, 서비스 품질 개선, 네트워크 보안 향상을 위하여 응용 트래픽 분류가 필수적이다. 암호화된 트래픽의 발생으로 응용 트래픽을 분류하기 위한 머신러닝 및 딥러닝을 사용한 응용 트래픽 분류에 관한 연구가 이루어지고 있다. 하지만 높은 정확도를 도출하기 위하여 데이터 전처리를 위한 새로운 방법론을 추가하거나 모델의 구조를 반복하는 등, 전체 처리 시간이 증가하는 방법들이 사용되고 있다. 본 논문에서는 간단한 3가지 모델들을 순차적으로 사용하여 전체 처리 시간을 단축하는 방법을 제안한다. 제안하는 분류 시스템에 2가지 앙상블 모델과 1가지 딥러닝 모델을 적용하여 데이터를 분류하였다. 처리 속도가 빠른 앙상블 모델에서의 적절한 임계값을 적용하여 분류가 가능한 데이터를 먼저 분류하고, 남은 데이터를 처리 속도가 느린 딥러닝 모델에 사용하여 전체 처리 속도를 개선한다. 제안한 방법을 적용한 결과, CNN 단일 모델을 사용한 결과보다 6% 높은 정확도를 도출하였으며, 전체 처리 시간은 0.21초 단축되는 결과를 도출하였다.

참고문헌 (Reference)

1 Breiman L., "Random forests" 45 (45): 5-32, 2001

2 "IANA port number list"

3 T. Groléat, "High-speed flow-based classificationon FPGA" 24 (24): 253-271, 2014

4 Friedman, Jerome H., "Greedy Function Approximation : A Gradient Boosting Machine" 29 (29): 1189-1232, 2001

5 Guanglu Sun, "GPU-Accelerated Support Vector Machines for Traffic Classification" 14 (14): 1088-1098, 2018

6 B. Park, "Fine-grained traffic classification based on functional separation" 23 : 350-381, 2013

7 Z. Zou, "Encrypted Traffic Classification with a Convolutional Long Short-Term Memory Neural Network" 329-334, 2018

8 Mohammad Lotfollahi, "Deep packet: a novel approach for encrypted traffic classification using deep learning" Springer Science and Business Media LLC 24 (24): 1999-2012, 2019

9 T. Choi, "Content-aware internet application traffic measurement and analysis" 511-524, 2004

10 김명섭 ; 홍원기 ; Young J. Won, "Application-Level Traffic Monitoring and an Analysis on IP Networks" 한국전자통신연구원 27 (27): 22-42, 2005

11 N. F. Huang, "Application traffic classification at the early stage by characterizing application rounds" 232 : 130-142, 2013