Enhancing The Performance of Network Traffic Classification Methods Using Efficient Feature Selection Models
Notice bibliographique
Résumé
In the era of secure communication and the constantly changing pattern of internet applications, traditional packet classification methods fail to achieve the accuracy needed for diverse network management functions. Recently Machine Learning (ML) techniques have been used to design viable packet classification solutions. However, due to the complexity and dynamic feature of internet traffic, efficient packet classification is still challenging for various machine learning algorithms. In this paper, we propose the adoption of feature selection methods through dimensionality reduction to enhance the classifiers' performance. We evaluated the performance of four well-known classifiers, including K-nearest neighbour (KNN), Support Vector Machines (SVM), Decision Trees (DT), and Logistic Regression (LR) with and without feature selection. We used two feature selection methods, including principal component analysis and Autoencoder. Experimental analysis is performed on real network traffic datasets with binary and multi-class categories. We assessed each classifier's performance using precision, recall, f-score, accuracy, and ROC. Experimental results show that the Precision, Recall, and F-score for the Multi-class problem are improved by 4.7 %, 6%, and 9%, respectively, after adopting either PCA or Autoencoder methods. The classification accuracy is also improved by up to 13%. We can also conclude that Autoencoder performed better for the KNN and LR, while PCA achieved comparable results for both the SVM and DT classifiers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».