15886

14183

كارشناسي ارشد

شبكه هاي مخابراتي

اصفهان : دانشگاه صنعتي اصفهان

1399

ده، 80ص.: مصور، جدول، نمودار

مهدي مهدوي

محمدرضا احمدزاده، نغمه السادات مويديان

1399/07/28

كتابنامه

مهندسي برق

مهندسي برق و كامپيوتر

1399/07/29

2643280

چكيده گسترش سريع و فز يش تنوع سرويسهاي تحت شبكه برنامه ريزي بر ي منابع شبكه ر ز هميشه دشو رتر كرده ست نيازمنديهاي متفاوت هر سرويس در شبكه د نستن لگوي مصرف كاربر ن و همچنين سرويسدهي ويژه به نتشار تر فيك سرويس خاص يا جلوگيري ز آن مهمترين دلايل دستهبندي تر فيك يك شبكه بر ي مدير ن آن ست ز سوي ديگر ستفادهي گسترده ز رمزنگاري و پروتكلهاي تونل زدن در شبكه باعث شده ست تا روشهاي معمول كار يي لازم در ين زمينه ر ند شته باشند در نتيجه مديريت كيفيت سرويس شبكه به كلي تحت تاثير عدم شناسايي درست جريانهاي تر فيكي قر ر ميگيرد ين تنوع در تر فيك و رمزنگاريهاي قابل ستفاده نياز به روشهاي مدلسازي پيچيدهتري د رد كه تو نايي ستخر ج لگوهاي پنهان ر د شته باشند در ين پژوهش به و سطهي وجود ين سطح ز بهام ز روشهاي يادگيري عميق بر ي تشخيص جريانهاي تر فيكي ستفاده شده ست با بهكارگيري شبكههاي عصبي حافظهي طولاني كوتاه مدت پيچشي و تماما متصل مدلي ر ئه شده ست كه با يادگيري تحت نظارت سعي در دستهبندي تر فيكهاي رمزنگاري شده يا تحت يك تونل د رد همچنين بر ي حد كثر كوچكسازي مدل عصبي عميق مورد نياز تاثير پيشپرد زشهاي متفاوتي مانند طول جريان نمونهگرفته شده طول بستههاي موجود در جريان و حذف آدرسها و درگاههاي مبد و مقصد بررسي شده و مقد ر بهينهي هركد م مشخص شده ست علاوه بر ين ستقلال دستهبندي ز پروتكلهاي تونل زدن با در نظر گرفتن ين حالات در د دههاي آموزشي و در نظر گرفتن يك برچسب بر ي همهي آنها حفظ شده ست نتايج ين پژوهش نشان ميدهد نقش پيشپرد زش در فز يش دقت شبكهي عصبي تا بهحال پنهان بوده ست پيشپرد زشها باعث شدند تا تعد د پار مترهاي مورد نياز بر ي مدل عصبي عميق كاهش چشمگيري پيد كند ز سوي ديگر پيشپرد زشها باعث شدند كه ويژگيهاي آماري مربوط به محتو ي بستهها و سرآيند بستهها و جريان بستهها به صورت مساوي و رد شبكهي عصبي شوند با رمزنگاري محتو ي بسته بسياري ويژگيهاي آماري ديگر در جريان بستهها و سرآيندشان حفظ ميشود در نتيجه متناسب بودن حضور ين سه دسته ويژگي آماري در ورودي شبكهي عصبي عميق تشخيص تر فيكهايي با رمزنگاريهاي متفاوت ر بهبود ميدهد روش ر ئه شده با ستفاده ز جزييات ذكر شده تو نسته ست برخلاف پژوهشهاي پيشين تر فيك يكساني كه در تونلهاي مختلف شبكه رسال ميشود ر تحت يك برچسب با دقت بالاي ۵۹ دستهبندي كند همچنين شبكهي ستفاده شده حدود ۰۳ درصد تعد د پار متر كمتري نسبت به آخرين يافتهها د رد ين دو مسئله باعث حفظ دقت ين روشها در تر فيكهاي شبكههاي مملو ز تونل و رمزنگاري مروزي شود كلمات كليدي يادگيري عميق يادگيري تحت نظارت دستهبندي تر فيك رمزشده شبكههاي IP شبكههاي عصبي بازگشتي شبكههاي عصبي پيچشي

Encrypted IP Traffic Classification with Deep Learning Methods Farzad Forughi f forughi@live com August 12 2020 Department of Electrical and Computer Engineering Isfahan University of Technology Isfahan 84156 83111 IranDegree Master of Science Language FarsiSupervisor Mehdi Mahdavi Assoc Prof AbstractQuick expansion of network services diversity made network resource planning harder than ever Differentrequirements of each service on the network knowing network users usage pattern and differentiated serviceto each traffic or preventing its propagation are fundamental reasons for traffic classification On other handextensive use of encryption and tunneling protocols on the networks made current methods unfunctional Thusthe network s quality of service management is affected by improper network traffic classification Diversityof traffic and available encryptions for it requires a more complex modeling method which is capable of hiddenpattern extraction This research took advantage of Deep Learning methods to classify network traffic due tothis level of uncertainty The proposed method is trying to classify encrypted or tunneld network traffic bydeploying Recurrent Convulotional and Fully Connected Neural Networks with supervised training Also tomake the model as simple as possible this research examined a range of preprocessing parameters which isinvolved in the training process like flow sample size packet sample size removal of source and destinationaddress and ports and etc to make sure the optimal point for each one Furthermore independence of classifica tion from tunneling or encryption protocols is preserved by providing different encryption or tunneling on thesame network service traffic with the same label in the training process The results show that effects of pre processing were previously unknown on network traffic classification accuracy These preprocessing pipelinesdramatically decreased required model parameters Also this process helped the model s input data to balancestatistical features of packet header packet payload and packets flow After encryption of packet most of thestatistical features in packets flow or packet headers preserve So balancing these features to train Deep NeuralNetwork improves final classification accuracy This method unlike any other proposed methods can classifysame traffic under different tunnels with the same label with an average up to 95 accuracy as well as having30 less parameters to train than latest research This accuracy and simplicity could lead to an effective rolein today s networks full of encryption and tunneling KeywordsDeep Learning Supervised Training Encrypted Traffic Classification IP Networks Recurrent Neural Net works Convolutional Neural Networks

مهدي مهدوي

محمدرضا احمدزاده، نغمه السادات مويديان