روشي براي مدل سازي و توليد ترافيك هنجار شبكه مبتني بر ويژگي هاي اندازه و زمان ورود بسته ها با استفاده از قانون زيف

A Method for Modeling and Generating Normal Network Traffic Based on the Features of Length and Arrival Time of Packets Using the Zipfʹʹs Law

امروزه مدل‌سازي ترافيك شبكه و توليد ترافيك هنجار از اهميت بالايي برخوردار است. تا به امروز مدل‌سازي‌هاي زيادي بر روي ويژگي‌هاي مختلف ترافيك شبكه انجام شده است كه تقريباً اكثر آنها از توزيع‌هاي احتمالاتي استفاده كرده‌اند. در اين مقاله، روش جديدي براي مدل‌سازي ويژگي‌هاي مختلف ترافيك شبكه معرفي مي‌شود كه مبتني بر قانون زيف است. قانون زيف يك قانون تجربي است كه رابطه‌اي بين فراواني و رتبه هر دسته در مجموعه داده‌ها، ارايه مي‌كند. در اين مقاله نشان داده مي‌شود كه قانون زيف مي‌تواند به‌خوبي ويژگي‌هاي مختلف ترافيك شبكه را مدل‌سازي نمايد. براي اين منظور، دو ويژگي مهم ترافيك شبكه، يعني اندازه و زمان بين ورود بسته‌هاي TCP و UDP، مورد مطالعه قرار گرفته است. از مدل‌سازي ويژگي‌هاي مختلف ترافيك شبكه مي‌توان در زمينه‌هاي مختلفي از جمله شبيه‌سازي ترافيك شبكه و توليد ترافيك هنجار استفاده كرد. مزيت استفاده از قانون زيف اين است كه مي‌تواند با كمترين اطلاعات، بيشترين شباهت را ايجاد كند. همچنين قانون زيف مي‌تواند ويژگي‌هاي مختلف ترافيك شبكه را كه ممكن است از توزيع رياضي خاصي پيروي نكنند، مدل‌سازي كند. با توجه به روش ساده‌اي كه اين قانون ارايه مي‌كند، علاوه بر دقت و محدوديت‌هاي كمتر نسبت به روش‌هاي پيشين، مدل‌سازي و شبيه‌سازي را در زمان مناسبي نيز انجام مي‌دهد. در اين مقاله نشان داده خواهد شد كه با دسته‌بندي مقادير ويژگي‌ها و به دست آوردن رتبه آنها، مي‌توان مدل‌سازي دقيقي از ويژگي‌ها ايجاد كرد. به عبارت ديگر، رتبه هر دسته، مدل به دست آمده از مقادير ويژگي خواهد بود كه مي‌توان از آن در شبيه‌سازي استفاده كرد.

Today, modeling and generating normal network traffic is a very important. In existing works, the features of network traffic are modeled using probabilistic distributions. In this paper, a new method is proposed for modeling the features of network traffic. The proposed method is based on the Zipf’s law. The Zipfʹs law is an empirical law that provides the relationship between the frequency and rank of each category in data set. In this paper, we will show that the Zipf’s law can model different features of network traffic in a good manner. For this propose, two important features of network traffic, i.e., length and inter-arrival time of TCP and UDP packets, are examined. The proposed method for modeling the features of network traffic can use in various applications areas, such as, simulation or generation of the normal network traffic. The advantage of this law is that it can provide high similarity using less information. Furthermore, the Zipf’s law can model different features of network traffic that may not follow from probalistic distributions. The simple approach of this law can provide accuracy and lower limits from existing methods. Furthermore, the proposed method can provide good times for modeling and simulation. In this paper, we will show that by classifying the feature values and obtaining their ranks, we can create an accurate modeling of features. In other words, the rank of each category will be the model resulting from the feature values that can be used in simulation.