Ідентифікація трафіку мереж передачі даних у реальному часі
DOI:
https://doi.org/10.31498/2225-6733.50.2025.336234Ключові слова:
трафік, модель, інформаційні системи, мережа передачі данихАнотація
У статті розглянуто сучасні підходи до ідентифікації та класифікації мережевого трафіку в реальному часі. Дослідження підкреслює актуальність проблеми, пов'язаної з високою динамікою мережевого середовища, та необхідність точних методів для управління, захисту даних і виявлення аномалій. Представлено огляд існуючих моделей трафіку, включаючи моделі на основі розподілів, часових рядів, фрактальних моделей та ланцюгів Маркова. Проведено аналіз методів класифікації, таких як використання номерів портів, DPI (Deep Packet Inspection), машинне навчання та статистичний аналіз пакетів. Критичний аналіз виявив переваги та обмеження кожної моделі. Простота реалізації та ефективність моделей розподілу обмежуються врахуванням залежності між даними. Моделі часових рядів придатні для прогнозування, але потребують значних обчислювальних ресурсів. Фрактальні моделі забезпечують аналіз довготривалих залежностей, проте їх застосування у реальному часі є складним. Ланцюги Маркова демонструють високу точність, але вимагають точної ініціалізації параметрів. Особливу увагу приділено інтеграції методів машинного навчання та оптимізації обчислювальних процесів для роботи із зашифрованим трафіком і в умовах обмежених ресурсів. Автори наголошують на необхідності розробки гібридних рішень, що поєднують переваги різних підходів, та визначають перспективи для подальших досліджень, спрямованих на створення більш точних і продуктивних систем аналізу трафіку. Ключові напрями подальших досліджень включають автоматизацію параметризації моделей, врахування зашифрованого трафіку та розробку алгоритмів машинного навчання, оптимізованих для роботи в реальному часі. Стаття є вагомим внеском у розвиток методів ідентифікації мережевого трафіку, пропонуючи шляхи підвищення безпеки та якості обслуговування мереж
Посилання
Park J.W., Kwon M.W., Hong T. Queue congestion prediction for large-scale high performance computing systems using a hidden Markov model. The Journal of Supercomputing. 2022. Vol. 78. Pp. 12202-12223. DOI: https://doi.org/10.1007/s11227-022-04356-z.
Network Traffic Classification Using Correlation Information. Parallel and Distributed Systems / J. Zhang et al. IEEE Transactions on Parallel and Distributed Systems. 2013. Vol. 24, iss. 1. Pp. 104-117. DOI: https://doi.org/10.1109/TPDS.2012.98.
Технології забезпечення безпеки мережевої інфраструктури: Підручник / В.Л. Бурячок та ін. К. : КУБГ, 2019. 218 с.
Abbasi M., Shahraki A., Taherkordi A. Deep Learning for Network Traffic Monitoring and Analysis (NTMA): A Survey. Computer Communications. 2021. Vol. 170. Pp. 19-41. DOI: https://doi.org/10.1016/j.comcom.2021.01.021.
So-In C. A survey of network traffic monitoring and analysis tools. Washington University in St. Louis, 2009. 24 p.
Big-DAMA: Big Data Analytics for Network Traffic Monitoring and Analysis / Casas P., D'Alconzo A., Zseby T., Mellia M. Proceedings of the 2016 Workshop on Fostering Latin-American Research in Data Communication Networks (LANCOMM '16), Florianopolis, Brazil, 22-26 August 2016. Pp. 1-3. DOI: https://doi.org/10.1145/2940116.2940117.
Passive Flow Monitoring of Hybrid Network Connections regarding Quality of Service Parameters for the Industrial Automation / M. Ehrlich et al. Kommunikation in der Automation, Magdeburg, Germany, 2017. Pp. 1-11.
The Data Domain Construction of Digital Twin Network / D. Chen et al. 2023 IEEE 3rd International Conference on Digital Twins and Parallel Intelligence (DTPI), Orlando, FL, USA, 07-09 No-vember 2023. Pp. 1-5. DOI: https://doi.org/10.1109/DTPI59677.2023.10365474.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
