The researchers have started lookin

The researchers have started looking for Internet traffic recognition techniques that are independent of `well known' TCP or UDP port numbers, or interpreting the contents of packet payloads. Newer approaches classify traffic by recognizing statistical patterns in externally observable attributes of the traffic (such as typical packet lengths and inter-arrival times). The main goal is to cluster or classify the Internet traffic flows into groups that have identical statistical properties. The need to deal with Traffic patterns, large datasets and Multidimensional spaces of flow and packet attributes is one of the reasons for the introduction of Machine Learning (ML) techniques in this field. ML techniques are subset of Artificial Intelligence used for traffic recognition. Further, there are four types of Machine Learning, i.e. Classification (Supervised learning), clustering (Un-Supervised learning), Numeric prediction and Association. In this research paper IP traffic recognition through classification process is implemented. Different researchers are calling this process as IP traffic Recognition, IP traffic Identification, and sometimes IP traffic classification. Here Real time internet traffic has been captured using packet capturing tool and datasets has been developed. Also few standard datasets have been used in this research work. Then using standard attribute selection algorithms, a reduced statistical feature dataset has been developed. After that, Six ML algorithms AdaboostM1, C4.5, Random Forest tree, MLP, RBF and SVM with Polykernel function classifiers are used for IP traffic classification. This implementation and analysis shows that Tree based algorithms are effective ML techniques for Internet traffic classification with accuracy up to of 99.7616 %.

ผลลัพธ์ (ไทย) 1:

นักวิจัยได้เริ่มต้นค้นหาเทคนิคการจราจรอินเทอร์เน็ตที่ 'ชื่อเสียง' TCP หรือ UDP พอร์ตหมายเลข หรือการตีความเนื้อหาของ payloads แพ็คเก็ต วิธีใหม่จัดประเภทจราจร โดยจดจำรูปแบบสถิติในแอตทริบิวต์ observable ภายนอกของการจราจร (เช่นแพคเก็ตโดยทั่วไปความยาวและเวลาระหว่างเดินทาง) เป้าหมายหลักคือการ คลัสเตอร์ หรือจัดประเภทกระแสจราจรอินเทอร์เน็ตเป็นกลุ่มที่มีคุณสมบัติเหมือนกันทางสถิติ จำเป็นต้องจัดการกับรูปแบบการจราจร datasets ขนาดใหญ่ และช่องว่างหลายขั้นตอนและแพ็คเก็ตแอตทริบิวต์เป็นหนึ่งในเหตุผลสำหรับการแนะนำเทคนิคการเรียนรู้เครื่องจักร (ML) ในฟิลด์นี้ เทคนิค ML เป็นชุดย่อยของปัญญาประดิษฐ์ที่ใช้ในการจราจร เพิ่มเติม มีสี่ชนิดของเครื่องจักรเรียนรู้ จัดประเภทเช่น (แบบมีผู้สอนเรียน), สมาคม และทายตัวเลข ระบบคลัสเตอร์ (ไม่มีเรียน) ในงานวิจัยนี้ เป็นนำกระดาษ IP จราจรรู้ขั้นตอนการจัดประเภท นักวิจัยที่แตกต่างกันจะเรียกนี้กระบวนการเป็น IP จราจรรู้ IP จราจรรหัส และบางครั้งการจัดประเภทการรับส่งข้อมูล IP นี่อินเทอร์เน็ตเรียลไทม์ได้รับการบันทึกโดยใช้แพคเก็ตที่จับเครื่องมือ และ datasets ได้รับการพัฒนา ยัง datasets บางมาตรฐานมีการใช้ในงานวิจัยนี้ แล้วใช้แอตทริบิวต์มาตรฐานเลือกอัลกอริทึม การชุดข้อมูลคุณลักษณะทางสถิติลดลงได้รับการพัฒนา หลังจากนั้น ML 6 อัลกอริทึม AdaboostM1, C4.5 สุ่มป่าต้นไม้ MLP, RBF และ SVM มี Polykernel ใช้คำนามภาษาฟังก์ชันการจัดจราจร IP นี้นำไปใช้และการวิเคราะห์แสดงต้นไม้ที่ใช้อัลกอริทึมมีประสิทธิภาพ ML เทคนิคการจัดจราจรอินเทอร์เน็ตมีความแม่นยำถึง 99.7616%

ผลลัพธ์ (ไทย) 2:

นักวิจัยได้เริ่มมองหาเทคนิคที่ได้รับการยอมรับการจราจรทางอินเทอร์เน็ตที่มีความเป็นอิสระของ `ที่รู้จักกันดี 'TCP หรือตัวเลขพอร์ต UDP หรือการตีความเนื้อหาของ payloads แพ็คเก็ต วิธีการใหม่กว่าจำแนกการจราจรด้วยการตระหนักถึงรูปแบบทางสถิติในการสังเกตคุณลักษณะภายนอกของการจราจร (เช่นความยาวแพ็คเก็ตทั่วไปและครั้งระหว่างการมาถึง) เป้าหมายหลักคือการจัดกลุ่มแบ่งประเภทหรือกระแสการจราจรทางอินเทอร์เน็ตเป็นกลุ่มที่มีคุณสมบัติเหมือนกันทางสถิติ จำเป็นที่จะต้องจัดการกับรูปแบบการจราจรชุดข้อมูลขนาดใหญ่และพื้นที่หลายมิติของคุณลักษณะการไหลและการแพ็คเก็ตเป็นหนึ่งในสาเหตุของการแนะนำของเครื่องการเรียนรู้ (ML) เทคนิคในสาขานี้ เทคนิค ML มีการย่อยของปัญญาประดิษฐ์ที่ใช้สำหรับการรับรู้การจราจร นอกจากนี้ยังมีสี่ประเภทของเครื่องการเรียนรู้คือการจำแนกประเภท (การเรียนรู้ภายใต้การดูแล), การจัดกลุ่ม (การเรียนรู้ Un-Supervised) การคาดการณ์ตัวเลขและสมาคม ในงานวิจัยนี้ได้รับการยอมรับการจราจร IP ผ่านขั้นตอนการจัดหมวดหมู่จะดำเนินการ นักวิจัยที่แตกต่างกันจะเรียกขั้นตอนนี้การจราจรไอพีการรับรู้, การระบุ IP การจราจรและบางครั้งการจัดประเภทการไอพี นี่คือการจราจรทางอินเทอร์เน็ตเรียลไทม์ได้รับการบันทึกโดยใช้เครื่องมือจับแพ็คเก็ตและชุดข้อมูลได้รับการพัฒนา นอกจากนี้ยังมีไม่กี่ชุดข้อมูลมาตรฐานได้ถูกนำมาใช้ในงานวิจัยนี้ จากนั้นใช้ขั้นตอนวิธีการเลือกแอตทริบิวต์มาตรฐานชุดข้อมูลคุณลักษณะทางสถิติที่ลดลงได้รับการพัฒนา หลังจากนั้นหก ML อัลกอริทึม AdaboostM1, C4.5 สุ่มต้นไม้ป่า MLP, RBF และ SVM กับ Polykernel แยกแยะฟังก์ชั่นที่ใช้สำหรับการจัดประเภทการไอพี การดำเนินการนี​​้และการวิเคราะห์แสดงให้เห็นว่าอัลกอริทึมที่ใช้ต้นไม้เป็นเทคนิคที่มีประสิทธิภาพ ML สำหรับการจำแนกการจราจรทางอินเทอร์เน็ตที่มีความแม่นยำถึงของ 99.7616%

ผลลัพธ์ (ไทย) 3:

นักวิจัยได้เริ่มมองหาการจราจรทางอินเทอร์เน็ตจำเทคนิคที่เป็นอิสระของ ' รู้จัก ' TCP หรือ UDP หมายเลขพอร์ตหรือการตีความเนื้อหาของแพ็กเก็ตชั้นนำ . แนวทางใหม่ในการจัดจราจร โดยสถิติรูปแบบภายนอกสังเกตลักษณะของการจราจร ( เช่นความยาวของแพ็คเก็ตทั่วไปและอินเตอร์ ครั้งมาถึง )เป้าหมายหลักคือกลุ่มหรือแยกการจราจรอินเทอร์เน็ตไหลเข้าไปในกลุ่มที่มีคุณสมบัติทางสถิติเหมือนกัน ต้องจัดการกับรูปแบบการจราจร ข้อมูลที่มีขนาดใหญ่และเป็นมิติของการไหลและคุณลักษณะแพ็คเก็ตเป็นหนึ่งในเหตุผลสำหรับการแนะนำของการเรียนรู้ของเครื่อง ( ml ) เทคนิคในด้านนี้เทคนิค ml เป็นเซตย่อยของปัญญาประดิษฐ์ที่ใช้ในการจดจำข้อมูล เพิ่มเติม มี 4 ประเภท ได้แก่ ประเภท การเรียนรู้เครื่อง ( การเรียนรู้แบบ Supervised Learning ) การจัดกลุ่ม ( UN การเรียนรู้แบบมีผู้สอน ) , สมาคมตัวเลขการคาดการณ์และ . ในงานวิจัยนี้ได้ผ่านขั้นตอนการจำแนกการจราจร IP กระดาษการใช้ .นักวิจัยที่แตกต่างกันเรียกกระบวนการนี้เป็นการรับรู้การจราจรระบบการจราจร และบางครั้ง IP การจราจรการจำแนกประเภท ที่นี่การจราจรเวลาจริงอินเทอร์เน็ตได้รับการบันทึกโดยใช้เครื่องมือจับภาพข้อมูลแพ็คเก็ตและได้รับการพัฒนา ข้อมูลมาตรฐานน้อยยังถูกใช้ในงานวิจัยนี้ แล้วใช้มาตรฐานการคัดเลือกคุณลักษณะขั้นตอนวิธีลดคุณลักษณะข้อมูลสถิติที่ได้รับการพัฒนา หลังจากนั้น 6 ml adaboostm1 โปรแกรม C4.5 ขั้นตอนวิธี , สุ่ม , ป่าต้นไม้ MLP , RBF และ SVM กับ polykernel ฟังก์ชันคำที่ใช้สำหรับการจำแนกการจราจร IP การใช้และการวิเคราะห์แสดงให้เห็นว่าต้นไม้ตามขั้นตอนวิธีเป็นเทคนิคที่มีประสิทธิภาพสำหรับการจราจรทางอินเทอร์เน็ตจำแนกมิลลิลิตร มีความถูกต้องถึงของ 99.7616 %