DataZoo: Streamlining Traffic Classification Experiments

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F63839172%3A_____%2F23%3A10133608" target="_blank" >RIV/63839172:_____/23:10133608 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21240/23:00370023

Výsledek na webu

<a href="https://dl.acm.org/doi/pdf/10.1145/3630050.3630176" target="_blank" >https://dl.acm.org/doi/pdf/10.1145/3630050.3630176</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1145/3630050.3630176" target="_blank" >10.1145/3630050.3630176</a>

Jazyk výsledku

angličtina

Název v původním jazyce

DataZoo: Streamlining Traffic Classification Experiments

Popis výsledku v původním jazyce

The machine learning communities, such as those around computer vision or natural language processing, have developed numerous supportive tools and benchmark datasets to accelerate the development. In contrast, the network traffic classification field lacks standard benchmark datasets for most tasks, and the available supportive software is rather limited in scope. This paper aims to address the gap and introduces DataZoo, a toolset designed to streamline dataset management in network traffic classification. DataZoo provides a standardized API for accessing three extensive datasets--CESNET-QUIC22, CESNET-TLS22, and CESNET-TLS-YEAR22. Moreover, it includes methods for feature scaling and realistic dataset partitioning, taking into consideration temporal and service-related factors. The DataZoo toolset simplifies the creation of realistic evaluation scenarios, making it easier to cross-compare classification methods and reproduce results.

Název v anglickém jazyce

DataZoo: Streamlining Traffic Classification Experiments

Popis výsledku anglicky

The machine learning communities, such as those around computer vision or natural language processing, have developed numerous supportive tools and benchmark datasets to accelerate the development. In contrast, the network traffic classification field lacks standard benchmark datasets for most tasks, and the available supportive software is rather limited in scope. This paper aims to address the gap and introduces DataZoo, a toolset designed to streamline dataset management in network traffic classification. DataZoo provides a standardized API for accessing three extensive datasets--CESNET-QUIC22, CESNET-TLS22, and CESNET-TLS-YEAR22. Moreover, it includes methods for feature scaling and realistic dataset partitioning, taking into consideration temporal and service-related factors. The DataZoo toolset simplifies the creation of realistic evaluation scenarios, making it easier to cross-compare classification methods and reproduce results.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20202 - Communication engineering and systems

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

2023

Kód důvěrnosti údajů

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

Název statě ve sborníku

SAFE &apos;23: Proceedings of the 2023 on Explainable and Safety Bounded, Fidelitous, Machine Learning for Networking

ISBN

979-8-4007-0449-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

3-7

Název nakladatele

ACM

Místo vydání

New York

Místo konání akce

Paříž, Francie

Datum konání akce

5. 12. 2023

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—