Все статьи автора в журнале: Осипова С.В.

1. Метод построения классификатора сетевого трафика на основе глубокого обучения

   A method for constructing a network traffic classifier based on deep learning

   Номер: 2021 / 04

   Рязанова Н.Ю. | Ryazanova N.YU. | Осипова С.В. | Osipova S.V. | Михайлова Т.Ю. | Mihaylova T.YU. | ryaz_nu@mail.ru, osipovaa123@yandex.ruryaz_nu@mail.ru, osipovaa123@yandex.ru

   Авторы статьи

   Authors

   Рязанова Н.Ю.

   Ryazanova N.YU.

   Осипова С.В.

   Osipova S.V.

   Михайлова Т.Ю.

   Mihaylova T.YU.

   ryaz_nu@mail.ru, osipovaa123@yandex.ru

   ryaz_nu@mail.ru, osipovaa123@yandex.ru

   ---

   Метод построения классификатора сетевого трафика на основе глубокого обучения

    

   УДК 681.3 

   DOI: 10.36652/0869-4931-2021-75-4-177-182

    

   Приведены обзор и анализ методов построения классификаторов сетевого трафика и показано преимущество методов глубокого обучения. На основе сравнительного анализа выбраны методы глубокого обучения с учителем. Рассмотрен метод, основанный на использовании многослойной нейронной сети долгой краткосрочной памяти (LSTM). Создана структура глубокой сети, на вход которой подаются потоки необработанных данных, разделённые на сессии. На основе выбранных классов приложений экспериментально доказано, что разработанная нейронная сеть долгой краткосрочной памяти, на вход которой подаются необработанные данные, позволяет получить высокую точность классификации.

   ---

   Ключевые слова

   сетевой трафик; глубокое обучение; нейронная сеть долгой краткосрочной памяти; необработанные данные

   A method for constructing a network traffic classifier based on deep learning

   An overview and analysis of methods for constructing of network traffic classifiers is given and the advantage of deep learning methods is shown. Based on a comparative analysis, the methods of deep learning with a teacher is selected. A method based on the use of a multilayer neural network of long short-term memory (LSTM) is considered. The structure of a deep network, at the input of which raw data flows fed, divided into sessions is created. Based on the selected classes of applications, it is experimentally proven that the developed neural network of long short-term memory, to the input of which raw data is supplied, allows to obtain a high classification accuracy.

   ---

   Keywords

   network traffic; deep learning; long short-term memory neural network; raw data