طبقه‌بندي ترافيك رمز مبتني بر يادگيري ماشين

تحليل و طبقه‌بندي ترافيك نقش مهمي در تأمين امنيت، تضمين كيفيت و مديريت شبكه دارد. امروزه 70 تا90 درصد از ترافيك شبكه‏ به صورت رمز بر روي پروتكلهاي ارتباطي امن مانند HTTPSدر حال انتقال است. ترافيك رمز، در قبال افزايش امنيت و حريم خصوصي كاربر، امكان نظارت و فيلتر ترافيك مشكوك و مخرب در زيرساخت‏هاي ارتباطي را كاهش مي‏دهد. طبقه‌بندي ترافيك رمز بدون رمزگشايي ارتباطات شبكه‏اي كار دشواري است، چرا كه اطلاعات payload از دست مي‏رود و تنها اطلاعات سرآيند كه بخشي از آن هم در نسخه‌هاي جديد پروتكلهاي ارتباطي شبكه (نظيرTLS1.03) رمز مي‏شود، قابل دسترسي است. از اينرو رويكردهاي قديمي تحليل ترافيك مانند روشهاي مختلف مبتني بر پورت و Payload كارآمدي خود را از دست داده، و رويكردهاي جديد مبتني بر هوش مصنوعي و يادگيري ماشين در تحليل ترافيك رمز مورد استفاده قرار گرفته‌اند. در اين مقاله پس از بررسي چالش‏هاي تحليل ترافيك و رويكردهاي آن، از روشهاي يادگيري ماشين جهت طبقه‌بندي ترافيك روي پايگاه داده ترافيك Kaggle141 استفاده شده و راهبردهايي جهت بكارگيري روشهاي مبتني بر يادگيري ماشين در حوزه عملياتي تحليل ترافيك ارائه شده است. نتايج بدست آمده نشان مي‌دهد روش جنگل تصادفي، با دقت 95%، بهترين نتيجه را در طبقه‌بندي ترافيك بدست آورده است.