10258

9476

كارشناسي ارشد

هوش مصنوعي

اصفهان: دانشگاه صنعتي اصفهان، دانشكده برق و كامپيوتر

1393

دوازده، 87ص.: مصور، جدول، نمودار﴿رنگي﴾

ص.ع. به فارسي و انگليسي

علي فانيان

26/3/94

عبدالرضا ميرزايي

1396/10/03

كتابنامه

برق و كامپيوتر

مهندسي برق و كامپيوتر

ID9476

چكيده دستهبندي ترافيك اينترنت نقش مهمي در بسياري از جنبه هاي مديريت شبكه مانند بهره برداري تشخيص داده شناسايي هدف كاربر مخرب و استفاده از محدوديت ترافيك در برخي از برنامه هاي كاربردي ايفا ميكند در گذشته برخي از ويژگيهاي ترافيك مانند شماره درگاه و شماره پروتكل براي دستهبندي ترافيك مورد استفاده قرار ميگرفتهاست اما امروزه تغيير اين ويژگيها دستهبندي ترافيك را ناكارآمد ميسازد بنابراين دستهبندي ترافيك با روش يادگيري ماشين مورد توجه قرار گرفت بطور كلي روشهاي يادگيري ماشين در دو دستهي يادگيري با نظارت كه در آن نياز به يك مجموعه داده كامال برچسب خورده و يادگيري بدون نظارت كه در آن نيازي به وجود برچسب به همراه مجموعه داده نيست قرار ميگيرند با توجه با اين كه وجود يك مجموعه داده كامال برچسب خورده هزينه بسيار زيادي را متحمل ميشود و روشهاي يادگيري با نظارت عملي نيستند بنابراين روشهاي يادگيري نميهنظارتي براي دستهبندي ترافكي رمزشده به كار برده شدهاست در اين پايان نامه يك روش يادگيري نميهنظارتي جديد پيشنهاد شدهاست كه از خوشهبندي و مكانيزم پخش برچسب دادههااستفاده ميكند مرحلهي خوشهبندي براساس تئوري گراف و درخت پوشاي كمينه انجام ميگيرد سپس بعضي از داده ها براي پرسش از سيستم خبره انتخاب ميشوند تا برچسب صحيح آنها مشخص شود و برچسب آنها براي تمام نمونههاي بدون برچسب مورد استفاده قرار ميگيرد در نهايت الگوريتم درخت تصميم براي ساخت مدل دستهبندي از دادههاي برچسبدار مورد استفاده قرار ميگيرد نتايج بدست آمده نشان دهنده آن است كه روش پيشنهادي عملكرد دقيق و صحيحي در شناسايي و دستهبندي كاربردهاي شبكهاي كه مبتني بر رمز نگاري ميباشند دارد همچنين اين روش در مورد دادههاي ترافيك رمز نشده بخصوص در مورد ترافيكهايي با جريانهاي نامتعادل نيز نتايج مطلوبي ارائه ميكند كلمات كليدي 2 دستهبندي ترافيك اينترنت 0 ترافيك رمزشده 9 نظريه گراف

Identification and Classification of Encrypted Network Applications Using their Statistical Features Homa Hasannejad h hasannezhad@ec iut ac ir Date of Submission 2015 2 22 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree M Sc Language FarsiSupervisor Ali Fanian a fanian@cc iut ac irAbstract Internet traffic classification plays an important role in many aspects of network management suchas exploit data detection malicious user intention identification and applying traffic restriction on someapplications In the past some features such as port numbers and protocol numbers were used to classifytraffic but nowadays ease of changing these features makes traffic classification inefficient Consequentlytraffic classification based on machine learning methods is more common recently In general the machine learningbased approached are categorized to the supervised learning with completely labeled training data and theunsupervised learning without any labeled training data Since in the network traffic classification obtaining the true label of instances is expensive the supervised learning methods may not be practical Therefore semi supervised learning methods should be applied to classify the encrypted traffic In thisthesis a new semi supervised classification method is presented that exploits clustering and the proposedlabeling mechanism The clustering step is performed using graph theory and the minimum spanning treeconcepts Next some instances are selected to ask their true labels from expert system these labels areapplied to label all the unlabeled instances Finally the decision tree algorithm is employed to build theclassification model using the fully labeled dataset Experimental results show that the proposed method hashigh precision in the identification and classification of the network applications based on the encryptedtraffics Moreover this method for the unencrypted traffic flow and unbalanced traffic flow gives goodresults Keywords Internet traffic classification Encrypted traffic Graph theory

علي فانيان

عبدالرضا ميرزايي