Çoğunluk oylaması yardımı ile çok aşamalı trafik sınıflandırma

Günümüzde internet giderek hayatımızın temel parçalarından biri olmakta, ve en basit günlük işlerimiz bile internete bağımlı durumda bulunmaktadır. Bu durum, hem internet üzerindeki uygulama sayısının hem de ağ trafiğinin artmasına neden olmaktadır. Bu yoğun trafik ortamında, ağ akışlarının hızlı ve doğru bir şekilde sınıflandırıması ağ yönetimi açısından büyük bir önem taşımaktadır. İnternet Servis Sağlayıcıları, bağlantı noktası tabanlı yöntemlerden makine öğrenme modellerine kadar farklı yaklaşımlar kullanarak bu sorunu çözmeye çalışmaktadır. Modern uygulamaların dinamik bağlantı noktalarını ve şifreli paketleri yaygın olarak kullanması nedeniyle bu yaklaşımların doğruluğu azalmaktadır. Bu zorluğun üstesinden gelmek için, son çalışmalar derin öğrenme mimarilerini kullanan çözümler üzerine odaklanmaktadır. Bu tezde, şifreli trafik sınıflandırması için oylamaya ve derin öğrenmeye dayalı çok aşamalı bir sınıflandırma yordamı önerilmiştir. Önerilen yordam, akışları sınıflandırmak için iletilen paketlerin sahip olduğu yükü kullanmaktadır. Bu yaklaşım ile, derin öğrenme tabanlı sınıflandırıcılar, akışlardan farklı sayıda paketler kullanılarak eğitilir ve çok aşamalı modelin tahmini, bu sınıflandırıcıların çıktılarının farklı oylama stratejileri ile birleştirilmesi ile elde edilir. Bu yordam, yük içeren ilk paketten başlayarak akışları sınıflandırabilir ve akışta iletilen paket sayısı arttıkça tahmin edilen sınıfı günceller. Bu yordam, çeşitli uygulamalar için gerçek ağ akışlarını içeren veri kümeleri üzerinde test edilmiştir. Önerilen yordamın performansı, farklı sınıflandırma modelleri ve farklı oylama stratejileri ile karşılaştırılarak değerlendirilmiştir.