Avaliação de algoritmos baseados em aprendizagem de máquina para classificação de tráfego em redes SDN

Abstract

Sistemas de classificação de tráfegos em redes têm sido cada vez mais utilizados, em especial de forma a garantir a disponibilidade e resiliência das mesmas. Com o uso de aprendizagem de máquina (ML) as classificações tem se tornado mais precisas, e sendo capazes de detectar diferentes tipos de ataques e anomalias que possam impactar a sua estabilidade. A coleta e análise das informações trafegadas pode ser muito custosa e de difícil implementação. Com o uso de redes definidas por software (SDN) sendo bastante discutido e popularizado, em especial no meio científico e acadêmico, exploraremos as facilidades proporcionadas pela adoção desse tipo de rede para a coleta das informações necessárias para a classificação dos fluxos de tráfego. Mais especificamente obtidas com a centralização da camada de controle da rede. Esse trabalho consiste na aplicação de técnicas de aprendizagem de máquina para a classificação de fluxos trafegados nessas redes objetivando a detecção de ataques e anomalias. Realizamos também um estudo comparativo do desempenho obtido pelos algoritmos utilizados (Expectation- Maximization e C4.5).

Network traffic classification systems have been increasingly used to ensure the availability and resilience of computer networks. With the use of machine learning techniques, classification systems have become more accurate and capable of detecting a wide range of attacks and anomalies. The collection and analysis of data flows can be very costly and difficult to implement. The adoption of software-defined networking (SDN) have been widely discussed and popularized, especially in the scientific and academic community, thus we explore the simplicity afforded by the employment of this type of network to collect the necessary information for flows classification. More specifically achieved with its centralized control layer architecture. This work makes use of machine learning techniques for traffic flow classification in these networks aiming to detect attacks and anomalies. Furthermore, we conduct a comparative study on the performance obtained by the Expectation-Maximization and C4.5 algorithms.