Об использовании алгоритма машинного обучения eXtreme Gradient Boosting (XGBoost) для классификации трафика в домашних сетях

Классификация трафика (TC) является фундаментальной задачей управления и мониторинга сетей. Предшествующие работы, опирающиеся на выбранные поля заголовков пакетов (например, номера портов) или методы декодирования протоколов прикладного уровня, становятся всё более сложными и неэффективными при работе с зашифрованным трафиком и пиринговыми потоками. В данной работе мы рассматриваем проблему классификации потоков (flow-based TC) с использованием алгоритмов машинного обучения (ML). Наш подход основан на контролируемом методе eXtreme Gradient Boosting (XGBoost), который ранее не исследовался для задач классификации трафика. Результаты оценки производительности показывают, что мы достигаем точности 99,5% на наборе данных, содержащем реальные потоки. Кроме того, по сравнению с другими алгоритмами ML, XGBoost является наиболее точным.