کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6884875 1444357 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Multi-classification approaches for classifying mobile app traffic
ترجمه فارسی عنوان
رویکردهای چند طبقه بندی برای طبقه بندی ترافیک برنامه موبایل
کلمات کلیدی
ترجمه چکیده
برای این منظور، در این مقاله قصد داریم عملکرد طبقه بندی ترافیک برنامه های تلفن همراه را با پیشنهاد یک دسته بندی چند طبقه ای (به ویژه همجوشی) بهبود بخشیم، ترکیب هوشمندانه خروجی ها از طبقه بندی های پیشرفته تر برای موبایل و رمزگذاری شده طبقه بندی ترافیک تحت این چارچوب، چهار دسته ترکیبیات مختلف (که در مواردی که خروجی های طبقه بندی های نرم یا سخت را قبول دارند، نیازهای آموزشی و فلسفه ی یادگیری متفاوت است) در نظر گرفته می شود و مقایسه می شود. روش فعلی مدولاریته است، به طوری که هر نوع طبقه بندی می تواند به آسانی درگاه / خارج شود تا عملکرد بیشتری انجام شود. در نهایت، بر اساس مجموعه داده ای از فعالیت (واقعی) کاربران جمع آوری شده توسط ارائه دهنده راه حل های تلفن همراه، نتایج ما نشان می دهد که عملکرد طبقه بندی می تواند با توجه به همه معیارهای در نظر گرفته شده، تا٪ 9.5 (نمره یادآوری) با توجه به بهترین حالت طبقه بندی کننده های پیشرفته سیستم پیشنهادی همچنین برای تأیید پیش پیش پردازش ردیابی ردیابی ترافیک، در اینجا توسعه داده شده است و حساسیت عملکرد نسبت به تقسیم بندی شیء ترافیکی (زمانبندی) را قبل از طبقه بندی واقعی ارزیابی می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر شبکه های کامپیوتری و ارتباطات
پیش نمایش مقاله
رویکردهای چند طبقه بندی برای طبقه بندی ترافیک برنامه موبایل
چکیده انگلیسی
To this end, in this paper we aim to improve the performance of classification of mobile apps traffic by proposing a multi-classification (viz. fusion) approach, intelligently-combining outputs from state-of-the-art classifiers proposed for mobile and encrypted traffic classification. Under this framework, four classes of different combiners (differing in whether they accept soft or hard classifiers' outputs, the training requirements, and the learning philosophy) are taken into account and compared. The present approach enjoys modularity, as any classifier may be readily plugged-in/out to improve performance further. Finally, based on a dataset of (true) users' activity collected by a mobile solutions provider, our results demonstrate that classification performance can be improved according to all considered metrics, up to +9.5% (recall score) with respect to the best state-of-the-art classifier. The proposed system is also capitalized to validate a novel pre-processing of traffic traces, here developed, and assess performance sensitivity to traffic object (temporal) segmentation, before actual classification.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Network and Computer Applications - Volume 103, 1 February 2018, Pages 131-145
نویسندگان
, , , ,