Resumen

A medida que el tráfico de Internet aumenta rápidamente, la clasificación de red rápida y precisa se está volviendo esencial para el control de la calidad del servicio y la detección temprana de anomalías en el tráfico de red. Las técnicas de aprendizaje automático basadas en características estadísticas de flujos de paquetes se han vuelto populares recientemente para la clasificación de red en parte debido a las limitaciones de los métodos tradicionales basados en puertos y carga útil. En este artículo, proponemos una clasificación de red basada en un modelo de Markov con un criterio de divergencia de Kullback-Leibler. Nuestro estudio se enfoca principalmente en patrones de tráfico de aplicaciones de red difíciles de clasificar (o superpuestos), con los que las técnicas actuales tienen dificultades para tratar. Los resultados de las simulaciones realizadas utilizando nuestro método propuesto indican que la precisión general alcanza alrededor del 90% con un tamaño de grupo razonable de .

• Materias:Algoritmo dinámico Redes Inalámbricas Redes de Comunicación Sistema de colas Teoría de juegos
• Subjects:Dynamic Algorithm Wireless Networks Communication networks Queuing systems Game theory
• Palabras claves:Tráfico de internet; Clasificación de redes; Técnicas de aprendizaje automático; Flujos de paquetes; Modelo de Markov; Divergencia de Kullback-Leibler
• Keywords:Internet traffic; Network classification; Machine learning techniques; Packet flows; Markov model; Kullback-Leibler divergence