Classificação de tráfego de rede utilizando técnicas de meta learning

Abstract

Classificação de tráfego de rede tem atraído bastante atenção e esforços de pesquisas, pois uma grande quantidade de áreas é beneficiada por esses estudos - desde segurança e gerenciamento de redes, qualidade de serviço (Quality of Service - QoS), sistemas de cobrança de tráfego de rede até detecção de intrusões (Intrusion Detection Systems - IDS). Inspirado em pesquisas anteriores, este trabalho apresenta uma análise comparativa entre técnicas de meta-learning e classificadores individuais para classificação de tráfego de rede. As técnicas utilizadas foram as mais comumente encontradas na literatura e disponibilizadas pela biblioteca scikit-learn, para a linguagem Python. Além disso, uma técnica adicional foi implementada (Stacking), devido aos bons resultados deste método apresentados na literatura. Com isso em mente, propõe-se uma análise experimental de diferentes técnicas de metalearning - também conhecidas como ensemble learners - em comparação com os seus classificadores base quando aplicados individualmente. Para este fim, propõe-se, ainda, uma arquitetura de sistema. Os experimentos foram realizados com dois conjuntos de dados distintos: dados gerados artificialmente e dados reais, disponibilizados publicamente.

Network traffic classification has attracted attention and research efforts because a large number of areas benefit from such studies - from network security and management, quality of service (QoS), network traffic collection systems to intrusion detection (IDS). Inspired by previous research, this work presents a comparative analysis between metalearning approaches and individual classifiers to classify network traffic data. The most common techniques found in the literature are available from the scikit-learn library, for Python. In addition, an extra technique was implemented (Stacking), due to good results of this method disclosed in the literature. With this in mind, we propose an experimental analysis of different meta-learning techniques - also known as ensemble learners - in comparison with their own base classifiers when used individually. To this end, we also propose a system architecture. The experiments were performed with two distinct data sets: artificially generated data and real data, publicly available.