닫기
Loading..

전자정보연구정보센터 ICT 융합 전문연구정보의 집대성

국내 논문지

홈 홈 > 연구문헌 > 국내 논문지 > 한국통신학회 논문지 (The Journal of Korea Information and Communications Society)

한국통신학회 논문지 (The Journal of Korea Information and Communications Society)

Current Result Document : 1 / 32   다음건 다음건

한글제목(Korean Title) 합성 곱 신경망 기반 웹 응용 트래픽 분류 모델 설계
영문제목(English Title) Design of Web Application Traffic Classification Model Based on Convolution Neural Network
저자(Author) 지세현   백의준   신무곤   채병민   문호원   김명섭   Se-Hyun Ji   Ui-Jun Baek   Mu-Gon Shin   Byeong-Min Chae   Ho-Won Moon   Myung-Sup Kim  
원문수록처(Citation) VOL 44 NO. 06 PP. 1113 ~ 1120 (2019. 06)
한글내용
(Korean Abstract)
네트워크 관리의 기본 역할은 사용자에게 적합한 QoS(Quality of Service)를 제공하는 것이다. 적합한 QoS를 제공하고 안전한 네트워크 환경을 만들기 위해 정확한 응용 트래픽 분류는 필수적이다. 기존의 트래픽 분류 기법으로는 포트기반의 분류 기법, 페이로드 기반의 분류 기법, 통계정보 기반의 분류 기법이 있다. 그러나 동적인 포트 혹은 암호화된 페이로드를 갖는 패킷을 발생시키는 응용의 등장으로 인해 기존의 트래픽 분류 기법의 한계점이 발생하고 있다. 기존의 트래픽 분류 기법에 대한 한계점을 해결하기 위해 본 논문은 10종류의 웹 응용 트래픽(Baidu, Bing, Daum, Google, Kakaotalk, Nate, Naver, Yahoo, Youtube, Zum)에 대해 머신러닝 알고리즘 중 하나인 합성 곱 신경망(Convolution Neural Network) 알고리즘을 적용한 응용 트래픽 분류 모델 설계 방법을 제안한다. 제안한 모델의 학습 분류 정확도는 100%, 검증 분류 정확도는 99.6%의 성능을 달성하였다.
영문내용
(English Abstract)
The basic role of network management is to provide quality of service suitable for users. Accurate application traffic classification is essential to provide adequate quality of service and to ensure a secure network environment. The existing traffic classification methods are port-based classification methods, payload-based classification methods and statistic information-based classification methods. However, due to the emergence of applications that generate packets with dynamic ports or encrypted payloads, the limitations of existing traffic classification techniques are occurred. In this paper, in order to address these limitations, we propose an application traffic classification model applying the convolution neural network algorithm which is one of the machine learning algorithms for 10 kinds of web application traffic(Baidu, Bing, Daum, Google, Kakaotalk, Nate, Naver, Yahoo, Youtube, Zum). The proposed model achieves 100% train classification accuracy and 99.4% validation classification accuracy.
키워드(Keyword) 트래픽 분류   머신러닝   합성 곱 신경망   응용 트래픽   Traffic Classification   Machine Learning   Convolution Neural Network   Application Traffic  
원문 PDF 다운로드