Adjusting the parameters of machine learning algorithms to improve the speed and accuracy of traffic classification

Скорочена інформація про документ
dc.contributor.authorAstrakhantsev, Andrii A.
dc.contributor.authorGloba, Larysa S.
dc.contributor.authorDavydiuk, Andrii M.
dc.contributor.authorSushko, Oleksandra V.
dc.date.accessioned2024-02-29T08:00:03Z
dc.date.available2024-02-29T08:00:03Z
dc.date.issued2023
dc.description.abstractEducational and Research Institute of Telecommunication Systems Igor Sikorsky Kyiv Polytechnic Institute, Kyiv, Ukraine Background. Telecommunications developments lead to new mobile network technologies and especially 5G, which has only recently been launched, sixth generation of which is already under active development. The development of new technologies influence on both types of mobile traffic (V2V, IoT) and leads to the significant increase in the volume of existing traffic types. Currently, existing methods of traffic processing are not adapted to such changes, which may lead to a deterioration in the quality of service. Objective. The purpose of the paper is to analyze the effectiveness of machine learning algorithms to solve the task of traffic classification in mobile networks in real time. Methods. The method of solving the problem of increasing the efficiency of information processing is the introduction of new algorithms for traffic classification and prioritization. In this regard, the paper presents the urgent task of analyzing the effectiveness of machine learning algorithms to solve the task of traffic classification in mobile networks in real time. Results. Comparison indicated the best accuracy of the ANN algorithm that was achieved with the number of hidden layers of the network equal to 200. Also, the research results showed that different applications have different recognition accuracy, which does not depend on the total number of packets in the dataset. Conclusions. This proceeding solves the urgent problem of increasing the efficiency of the mobile communication system through the use of machine learning algorithms for traffic classification. In this regard, it can be concluded that the most promising is the application of algorithms based on ANN. In future the aspect of anomaly detection based on traffic classification and traffic pattern preparation should be investigated, as this process allows detecting attacks to network infrastructure and increase mobile network security.
dc.description.abstractotherПроблематика. Розвиток телекомунікацій призвів до нових технологій мобільних мереж, і особливо 5G було запущено лише нещодавно, шосте покоління якого вже активно розробляється. Розвиток нових технологій стосується обох типів мобільного трафіку (V2V, IoT), і призводить до значного збільшення обсягу існуючих типів трафіку. Наразі існуючі методи обробки трафіку не адаптовані до таких змін, що може призвести до погіршення якості обслуговування. Мета досліджень. Аналіз ефективності алгоритмів машинного навчання для вирішення задачі класифікації трафіку в мобільних мережах у реальному часі. Методика реалізації. Методом вирішення проблеми підвищення ефективності обробки інформації є впровадження нових алгоритмів класифікації та пріоритезації трафіку. У зв’язку з цим у роботі поставлено актуальну задачу аналізу ефективності алгоритмів машинного навчання для вирішення задачі класифікації трафіку в мобільних мережах у режимі реального часу. Результати досліджень. Порівняння показало найкращу точність алгоритму ANN, яка була досягнута при кількості прихованих шарів мережі, що дорівнює 200. Також результати дослідження показали, що різні алгоритми мають різну точність розпізнавання, яка не залежить від загальної кількості мережих пакетів даних в датасеті. Висновки. У цій роботі вирішується актуальна проблема підвищення ефективності системи мобільного зв’язку за рахунок використання алгоритмів машинного навчання класифікації трафіку. У зв'язку з цим можна зробити висновок, що найбільш перспективним є застосування алгоритмів на основі ШНМ. У майбутньому слід досліджувати аспект виявлення аномалій на основі класифікації трафіку та підготовки шаблонів трафіку, оскільки цей процес дозволяє виявляти атаки на мережеву інфраструктуру та підвищувати безпеку мобільної мережі.
dc.format.pagerangePp. 26-32
dc.identifier.citationAdjusting the parameters of machine learning algorithms to improve the speed and accuracy of traffic classification / Astrakhantsev Andrii A., Globa Larysa S., Davydiuk Andrii M., Sushko Oleksandra V. // Information and telecommunication sciences : international research journal. – 2023. – Vol. 14, N. 2. – Pp. 26-32. – Bibliogr.: 7 ref.
dc.identifier.doihttps://doi.org/10.20535/2411-2976.22023.26-32
dc.identifier.orcid0000-0002-6664-3653
dc.identifier.orcid0000-0003-3231-3012
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/65079
dc.language.isoen
dc.publisherNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
dc.publisher.placeKyiv
dc.relation.ispartofInformation and telecommunication sciences: international research journal, Vol. 14, N. 2
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjecttraffic classification
dc.subjectanomaly detection
dc.subjectmachine learning technics
dc.subjectartificial neural network
dc.subjectfeature analysis
dc.subjecttraffic patterns
dc.subject5G network
dc.subjectaccuracy
dc.subjectclassification speed
dc.subjectкласифікація трафіку
dc.subjectвиявлення аномалій
dc.subjectтехніки машинного навчання
dc.subjectштучна нейронна мережа
dc.subjectаналіз ознак
dc.subjectпаттерни трафіку
dc.subjectмережа 5G
dc.subjectточність
dc.subjectшвидкість класифікації
dc.subject.udc621.391
dc.titleAdjusting the parameters of machine learning algorithms to improve the speed and accuracy of traffic classification
dc.title.alternativeНалаштування параметрів алгоритмів машинного навчання для підвищення швидкості та точності класифікації трафіку
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
293081-676750-1-10-20231213.pdf
Розмір:
510.62 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information and telecommunication sciences: international research journal, Vol. 14, N. 2