Multichannel Histograms for Flow Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F26%3A0193582" target="_blank" >RIV/00216305:26230/26:0193582 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/63839172:_____/25:10133791

Výsledek na webu

<a href="http://dx.doi.org/10.1109/NOMS57970.2025.11073699" target="_blank" >http://dx.doi.org/10.1109/NOMS57970.2025.11073699</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/NOMS57970.2025.11073699" target="_blank" >10.1109/NOMS57970.2025.11073699</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Multichannel Histograms for Flow Classification

Popis výsledku v původním jazyce

Encrypted traffic poses increasing challenges for effective network monitoring and management. To address this, machine learning and deep learning techniques are commonly applied to encrypted traffic classification by analyzing the statistical properties of network flows, such as packet lengths and inter-arrival times. Rather than relying on point estimates of these properties, we aim to obtain a comprehensive view of the distribution using histograms. In this paper, we propose and analyze a multichannel 2D histogram representation that incorporates packet lengths, directions, and inter-arrival times, extending the prior well-performing flowpic representation. We classify these histograms using a 2D convolutional neural network with residual connections, improving classification accuracy over previous methods.

Název v anglickém jazyce

Multichannel Histograms for Flow Classification

Popis výsledku anglicky

Encrypted traffic poses increasing challenges for effective network monitoring and management. To address this, machine learning and deep learning techniques are commonly applied to encrypted traffic classification by analyzing the statistical properties of network flows, such as packet lengths and inter-arrival times. Rather than relying on point estimates of these properties, we aim to obtain a comprehensive view of the distribution using histograms. In this paper, we propose and analyze a multichannel 2D histogram representation that incorporates packet lengths, directions, and inter-arrival times, extending the prior well-performing flowpic representation. We classify these histograms using a 2D convolutional neural network with residual connections, improving classification accuracy over previous methods.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/VJ02010024" target="_blank" >VJ02010024: Analýza šifrovaného provozu pomocí síťových toků</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2025

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

38th IEEE/IFIP Network Operations and Management Symposium (NOMS 2025)

ISBN

9798331531638

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

0-0

Název nakladatele

IEEE Communications Society

Místo vydání

Honolulu

Místo konání akce

Honolulu

Datum konání akce

12. 5. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

001556086900125