Network Traffic Classification for Internet of Things Based on Deep Learning Models
Notice bibliographique
Résumé
<p>Internet of Things (IoT) is a system of interconnected computing devices. The continuous growth of the number of IoT devices leads to expansive traffic. It is crucial to study the behaviour of network flows for Internet Service Providers (ISPs) to manage the performance of the IoT network. The Network Traffic Classifier (NTC) is the foremost essential tool in finding the network flows and behavioural aspects of a network such as network latency, volume, bandwidth consumption and many more. The success of deep learning models extended to the NTC as well. The current deep learning based solutions for the NTC contributed to considerable success. However, the current so- lutions are proposed to classify the flows that are captured in monitored network. In the real world, IoT traffic is diverse and heterogeneous in nature. Therefore in the ever-evolving IoT world, it is challenging to keep up the classification model trained with flows that are captured in controlled environment. Hence, in this research the effort is made to design the model that can classify the traffic flows from real world. A supervised deep learning method is proposed to classify network traffic and chi-square algorithm is used to select the features that can provide best information about the flows. The proposed method achieves 70% accuracy. The time distribution wrapper over the Convolutional Neural Network (CNN) is employed to extract the network features. The Long-Short Term Memory (LSTM) layer is applied to classify the network flows. The thesis explains a detailed study of feature engineering, successful deep learning models, and the research results. </p>
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».