Network traffic classification based on periodic behavior detection

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F63839172%3A_____%2F22%3A10133487" target="_blank" >RIV/63839172:_____/22:10133487 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21240/22:00361521

Výsledek na webu

<a href="http://dx.doi.org/10.23919/CNSM55787.2022.9964556" target="_blank" >http://dx.doi.org/10.23919/CNSM55787.2022.9964556</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.23919/CNSM55787.2022.9964556" target="_blank" >10.23919/CNSM55787.2022.9964556</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Network traffic classification based on periodic behavior detection

Popis výsledku v původním jazyce

Even though encryption hides the content of communication from network monitoring and security systems, this paper shows a feasible way to retrieve useful information about the observed traffic. The paper deals with detection of periodic behavioral patterns of the communication that can be detected using time series created from network traffic by autocorrelation function and Lomb-Scargle periodogram. The revealed characteristics of the periodic behavior can be further exploited to recognize particular applications. We have experimented with the created dataset of 61 classes, and trained a machine learning classifier based on XGBoost that performed the best in our experiments, reaching 90% F1-score.

Název v anglickém jazyce

Network traffic classification based on periodic behavior detection

Popis výsledku anglicky

Even though encryption hides the content of communication from network monitoring and security systems, this paper shows a feasible way to retrieve useful information about the observed traffic. The paper deals with detection of periodic behavioral patterns of the communication that can be detected using time series created from network traffic by autocorrelation function and Lomb-Scargle periodogram. The revealed characteristics of the periodic behavior can be further exploited to recognize particular applications. We have experimented with the created dataset of 61 classes, and trained a machine learning classifier based on XGBoost that performed the best in our experiments, reaching 90% F1-score.

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

2022

Kód důvěrnosti údajů

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

Název statě ve sborníku

2022 18th International Conference on Network and Service Management (CNSM)

ISBN

978-3-903176-51-5

ISSN

2165-963X

e-ISSN

—

Počet stran výsledku

5

Strana od-do

359-363

Název nakladatele

IEEE

Místo vydání

Neuveden

Místo konání akce

Thessaloniki, Greece

Datum konání akce

31. 10. 2022

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000903721000048