К внедрению решений на основе машинного обучения для классификации сетевого трафика: систематический обзор

Анализ трафика представляет собой совокупность стратегий, предназначенных для выявления взаимосвязей, закономерностей, аномалий и ошибок конфигурации, а также других характеристик интернет-трафика. В частности, классификация трафика является подгруппой стратегий данного направления и направлена на определение названия или типа интернет-приложения, генерирующего трафик. В настоящее время классификация трафика стала сложной задачей вследствие появления новых технологий, таких как шифрование и инкапсуляция трафика, снижающих эффективность классических стратегий классификации трафика. Машинное обучение (ML) вызывает всё больший интерес как новое направление в этой области, демонстрируя перспективы дальнейшего успеха, включая извлечение знаний из зашифрованного трафика и более точное управление качеством обслуживания (Quality of Service, QoS). ML быстро становится ключевым инструментом создания решений для классификации трафика в реальных сетевых сценариях; в этом контексте целью настоящего исследования является изучение факторов, обеспечивающих применение данного метода в области классификации трафика. В связи с этим представлен систематический обзор, основанный на этапах выполнения классификации трафика с использованием методов ML. Основная цель заключается в понимании и выявлении процедур, применяемых в существующих исследованиях для достижения поставленных целей. В результате данный обзор выявляет ряд тенденций, вытекающих из проведённого анализа этой области; таким образом, авторы стремятся обозначить перспективные направления дальнейших исследований в области классификации трафика на основе ML.