Network Classification for Traffic Management: Anomaly detection, feature selection, clustering and classification (Computing and Networks)

با افزایش گسترده داده‌ها و ترافیک اینترنت در چارچوب‌های 5G، اینترنت اشیا و شهرهای هوشمند، طبقه‌بندی شبکه و تکنیک‌های تحلیل کنونی ضعیف هستند. رویکردهای جدید با استفاده از الگوریتم‌های یادگیری ماشین برای مقابله و مدیریت ترافیک شبکه دنیای واقعی، از جمله تکنیک‌های طبقه‌بندی تحت نظارت، نیمه‌نظارت‌شده و بدون نظارت، مورد نیاز است. طبقه بندی دقیق و موثر ترافیک شبکه منجر به کیفیت بهتر خدمات و شبکه های امن تر و قابل مدیریت تر می شود.

این کتاب تالیفی راه حل های طبقه بندی ترافیک شبکه را با پیشنهاد روش های لایه حمل و نقل برای دستیابی به سازمانی بهتر مورد بررسی قرار می دهد. شبکه های مقیاس نویسندگان روش‌های جدیدی را برای افزایش آمار شبکه در لایه انتقال، کمک به شناسایی انتخاب ویژگی بهینه از طریق رویکرد بهینه‌سازی جهانی و ارائه برچسب‌گذاری خودکار برای ترافیک خام از طریق چارچوب SemTra برای حفظ حریم خصوصی قابل اثبات در خصوص ویژگی‌های افشای اطلاعات، بررسی می‌کنند.

With the massive increase of data and traffic on the Internet within the 5G, IoT and smart cities frameworks, current network classification and analysis techniques are falling short. Novel approaches using machine learning algorithms are needed to cope with and manage real-world network traffic, including supervised, semi-supervised, and unsupervised classification techniques. Accurate and effective classification of network traffic will lead to better quality of service and more secure and manageable networks.

This authored book investigates network traffic classification solutions by proposing transport-layer methods to achieve better run and operated enterprise-scale networks. The authors explore novel methods for enhancing network statistics at the transport layer, helping to identify optimal feature selection through a global optimization approach and providing automatic labelling for raw traffic through a SemTra framework to maintain provable privacy on information disclosure properties.