**************************** نشریه علمی «پردازش علائم و دادهها» با مجوز رسمی از کمیسیون نشریات وزارت علوم، تحقیقات و فناوری، صاحب امتیاز: پژوهشگاه توسعه فناوریهای پیشرفته ****************************
Signal and Data Processing Journal A scientific journal officially licensed by the Commission for Scientific Publications of the (MSRT). Publisher: Research Ceter for Developmen of Technologies
دوره 22، شماره 4 - ( 12-1404 )
جلد 22 شماره 4 صفحات 3-18 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
rahnema A, akhoodad Z. KANFlow: A Novel Approach to Encrypted Traffic Identification Using Kolmogorov-Arnold Network. JSDP 2026; 22 (4) : 1
URL: http://jsdp.rcisp.ac.ir/article-1-1464-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1464-fa.html
رهنما علی، آخوداد زهرا. رویکردی نوین برای شناسایی ترافیک رمزنگاریشده با استفاده از شبکه کلموگورف-آرنولد. پردازش علائم و دادهها. 1404; 22 (4) :18-3
دانشجوی دکترای فناوری اطلاعات، دانشگاه قم، قم، ایران
چکیده: (314 مشاهده)
یکی از مشکلات اصلی در شبکههای مدرن، طبقهبندی ترافیک رمزنگاری شدهای است که از جریان دادههای پردازشنشده بهدلیل مشکل در ساختار و الگوهای پنهان بهوجود میآید. در این مقاله، چهارچوبی جدید بهنام seqKAN معرفی شدهاست که با ترکیب شبکههای LSTM و یا CNN برای استخراج وابستگیهای زمانی و معماری KAN برای مدلسازی روابط غیرخطی، عملکرد دقیقی در تحلیل جریانهای شبکه ارائه میدهد. برای افزایش دقت و قابلیت اطمینان، این مدل با روشهای RKHS و ODE ترکیب شدهاست و تأثیر مستقل و ترکیبی هر کدام، از طریق یک مطالعه حذفی[1] بررسی شدهاست. نتایج روی مجموعهدادههای واقعی رمزنگاریشده نشان میدهد افزودن لایه RKHS نقش مؤثری در افزایش دقت و مقاومت مدل دارد؛ همچنین، با استفاده از تحلیلهای کمی SHAP و LIME و قابلیت بصریسازی ذاتی KAN، نحوه شناسایی ویژگیهای موثر و یادگیری خودکار روابط معنادار در مدل بررسی شدهاست. معماری پیشنهادی تعادلی مناسب میان دقت، کارایی و تفسیرپذیری برقرار کرده و راهکاری مؤثر برای تحلیل هوشمند ترافیک شبکه ارائه میدهد.
[1] Ablation Study
شمارهی مقاله: 1
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات گروه امنیت اطلاعات
دریافت: 1403/12/25 | پذیرش: 1404/11/19 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
دریافت: 1403/12/25 | پذیرش: 1404/11/19 | انتشار: 1404/12/29 | انتشار الکترونیک: 1404/12/29
فهرست منابع
1. W. Wang, M. Zhu, J. Wang, X. Zeng, and Z. Yang, "End-To-end encrypted traffic classification with one-dimensional convolution neural networks," in 2017 IEEE International Conference on Intelligence and Security Informatics: Security and Big Data, ISI 2017, Aug. 2017, pp. 43-48. doi: 10.1109/ISI.2017.8004872. [DOI:10.1109/ISI.2017.8004872]
2. S. Zander, T. Nguyen, and G. Armitage, "Automated traffic classification and application identification using machine learning," Proc. - Conf. Local Comput. Networks, LCN, vol. 2005, pp. 250-257, 2005, doi: 10.1109/LCN.2005.35. [DOI:10.1109/LCN.2005.35]
3. B. Yamansavascilar, M. A. Guvensan, A. G. Yavuz, and M. E. Karsligil, "Application identification via network traffic classification," 2017 Int. Conf. Comput. Netw. Commun. ICNC 2017, pp. 843-848, 2017, doi: 10.1109/ICCNC.2017.7876241. [DOI:10.1109/ICCNC.2017.7876241]
4. N. V. Verde, G. Ateniese, E. Gabrielli, L. V. Mancini, and A. Spognardi, "No NAT'd User left Behind: Fingerprinting Users behind NAT from NetFlow Records alone," Feb. 2014, [Online]. Available: http://arxiv.org/abs/1402.1940 [DOI:10.1109/ICDCS.2014.30]
5. M. Conti, L. V. Mancini, R. Spolaor, and N. V. Verde, "Analyzing Android Encrypted Network Traffic to Identify User Actions," IEEE Trans. Inf. Forensics Secur., vol. 11, no. 1, pp. 114-125, Jan. 2016, doi: 10.1109/TIFS.2015.2478741. [DOI:10.1109/TIFS.2015.2478741]
6. M. Lotfollahi, R. S. H. Zade, M. J. Siavoshani, and M. Saberian, "Deep Packet: A Novel Approach For Encrypted Traffic Classification Using Deep Learning," Sep. 2017, [Online]. Available: http://arxiv.org/abs/1709.02656
7. R. Dubin, A. Dvir, O. Pele, and O. Hadar, "I Know What You Saw Last Minute - Encrypted HTTP Adaptive Video Streaming Title Classification," Feb. 2016, doi: 10.1109/TIFS.2017.2730819. [DOI:10.1109/TIFS.2017.2730819]
8. R. Schuster, V. Shmatikov, and E. Tromer, "Beauty and the burst: Remote identification of encrypted video streams," Proc. 26th USENIX Secur. Symp., pp. 1357-1374, 2017.
9. T. Shapira and Y. Shavitt, "FlowPic: A Generic Representation for Encrypted Traffic Classification and Applications Identification," IEEE Trans. Netw. Serv. Manag., vol. 18, no. 2, pp. 1218-1232, Jun. 2021, doi: 10.1109/TNSM.2021.3071441. [DOI:10.1109/TNSM.2021.3071441]
10. Z. Cao, G. Xiong, Y. Zhao, Z. Li, and L. Guo, "A survey on encrypted traffic classification," Commun. Comput. Inf. Sci., vol. 490, pp. 73-81, 2014, doi: 10.1007/978-3-662-45670-5_8. [DOI:10.1007/978-3-662-45670-5_8]
11. S. Roy, T. Shapira, and Y. Shavitt, "Fast and lean encrypted Internet traffic classification," Comput. Commun., vol. 186, pp. 166-173, Mar. 2022, doi: 10.1016/j.comcom.2022.02.003. [DOI:10.1016/j.comcom.2022.02.003]
12. Z. Chen, K. He, J. Li, and Y. Geng, "Seq2Img: A sequence-to-image based approach towards IP traffic classification using convolutional neural networks," Proc. - 2017 IEEE Int. Conf. Big Data, Big Data 2017, vol. 2018-Janua, pp. 1271-1276, 2017, doi: 10.1109/BigData.2017.8258054. [DOI:10.1109/BigData.2017.8258054]
13. X. Lin, G. Xiong, G. Gou, Z. Li, J. Shi, and J. Yu, "ET-BERT : A Contextualized Datagram Representation with Pre-training Transformers for Encrypted Traffic Classification," vol. 1, pp. 633-642, doi: 10.1145/3485447.3512217. [DOI:10.1145/3485447.3512217]
14. Z. Liu, "TransECA-Net : A Transformer-Based Model for Encrypted Traffic Classification," 2025. [DOI:10.3390/app15062977]
15. Koukoulis, I. Syrigos, and T. Korakis, "Self-Supervised Transformer-based Contrastive Learning for Intrusion Detection Systems".
16. T. T. T. Nguyen and G. Armitage, "A Semi-Supervised Learning Framework for Encrypted Traffic Classification Based on Supervised Contrastive Learning and Masked Sequence Prediction Tasks," vol. 10, no. 4, pp. 56-76, 2025, doi: 10.1109/ICAACE65325.2025.11020246. [DOI:10.1109/ICAACE65325.2025.11020246]
17. E. Horowicz, T. Shapira, and Y. Shavitt, "Self-Supervised Traffic Classification : Flow Embedding and Few-Shot Solutions," IEEE Trans. Netw. Serv. Manag., vol. PP, no. September, p. 1, 2024, doi: 10.1109/TNSM.2024.3366848. [DOI:10.1109/TNSM.2024.3366848]
18. T. Shapira and Y. Shavitt, "FlowPic: Encrypted Internet Traffic Classification is as Easy as Image Recognition," in INFOCOM 2019 - IEEE Conference on Computer Communications Workshops, INFOCOM WKSHPS 2019, Apr. 2019, pp. 680-687. doi: 10.1109/INFCOMW.2019.8845315. [DOI:10.1109/INFCOMW.2019.8845315]
19. S. Yu and Y. Won, "A survey of methods for encrypted network traffic fingerprinting," Math. Biosci. Eng., vol. 20, no. 2, pp. 2183-2202, 2023, doi: 10.3934/mbe.2023101. [DOI:10.3934/mbe.2023101]
20. L. D. Manocchio, S. Layeghy, W. W. Lo, G. K. Kulatilleke, M. Sarhan, and M. Portmann, "FlowTransformer : A transformer framework for flow-based network intrusion detection systems," Expert Syst. Appl., vol. 241, no. July 2023, p. 122564, 2024, doi: 10.1016/j.eswa.2023.122564. [DOI:10.1016/j.eswa.2023.122564]
21. C. Sun, B. Chen, Y. Bu, S. Zhang, and D. Zhang, "Lightweight Traffic Classification Model Based on Deep Learning," vol. 2022, no. 2, 2022, doi: 10.1155/2022/3539919. [DOI:10.1155/2022/3539919]
22. G. Draper-Gil, A. H. Lashkari, M. S. I. Mamun, and A. A. Ghorbani, "Characterization of encrypted and VPN traffic using time-related features," in ICISSP 2016 - Proceedings of the 2nd International Conference on Information Systems Security and Privacy, 2016, pp. 407-414. doi: 10.5220/0005740704070414. [DOI:10.5220/0005740704070414]
23. H. Lashkari, G. D. Gil, M. S. I. Mamun, and A. A. Ghorbani, "Characterization of tor traffic using time based features," in ICISSP 2017 - Proceedings of the 3rd International Conference on Information Systems Security and Privacy, 2017, vol. 2017-January, pp. 253-262. doi: 10.5220/0006105602530262. [DOI:10.5220/0006105602530262]
24. Rahimi and B. Recht, "Random Features for Large-Scale Kernel Machines," no. 1, pp. 1-8.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |