Darknet tabanlı CNN'ler ile sinyal seviyesinde ağ trafiği sınıflandırması: Yeni bir yöntemsel yaklaşım

Ağ trafiği sınıflandırması, araştırmacılar tarafından yoğun biçimde çalışılan önemli bir alandır. Mevcut çalışmaların genellikle veri bağı katmanı ve üzerindeki katmanlarda, trafiğin çözümlenmiş (decode edilmiş) hali üzerinde yapıldığı görülmektedir. Bu çalışmada ise ağ trafiği sınıflandırmasına fiziksel katman düzeyinde, yeni bir sınıflandırma yaklaşımı sunulmaktadır. Önerilen yöntemde, ağ trafiği elektriksel sinyaller aracılığıyla temsil edilmekte ve sınıflandırma işlemi bu ham sinyaller üzerinden gerçekleştirilmektedir. Bu amaçla, bilgisayar ile ağ anahtarlama cihazı arasındaki fiziksel bağlantıdan, osiloskop yardımıyla sinyaller toplanmış ve etiketlenerek 6 farklı trafik türünü içeren yeni bir veri seti oluşturulmuştur. Oluşturulan sinyal veri seti, yatay, spiral, diyagonal zikzak ve spektrogram teknikleriyle görselleştirilerek Darknet tabanlı CNN mimarilerinin eğitilmesinde kullanılmıştır. Darknet53 ve diyagonal zikzak görselleştirme tekniğiyle yapılan sınıflandırma deneyinde %96,24 doğruluk oranı ile en yüksek performans elde edilmiştir. Elde edilen sonuçlar, paket içerikleri çözülmeden ve veri mahremiyeti ihlal edilmeden, ağ trafiğinin sinyal düzeyinde dahi yüksek doğrulukla sınıflandırılabileceğini göstermektedir. Bu yönüyle çalışma, geleneksel yöntemlere güçlü bir alternatif sunmaktadır.