Improved Feature Selection and Stream Traffic Classification Based on Machine Learning in Software-Defined Networks

Arwa M. Eldhai

doi:10.1109/ACCESS.2024.3370435

2024-01-01

Muhammad Nadzir Marsono

Muzaffar Hamzah

N. Z. Jhanjhi

DOI：10.1109/ACCESS.2024.3370435

原文链接

原文求助

摘要

En 中文

使用机器学习 (ML) 的软件定义网络 (SDN) 中的流量分类 (TC) 似乎是改善网络管理的可行选择。TC提高了SDN的可操作性，而SDN加快了特征选择 (FS) 过程，特别是当ML用作分类机制以从输入到SDN控制器的数据中提取测量和相关信息时。尽管有这些优点，但由于流量配置文件的频繁相似性，仍然缺乏对TC和FS任务的足够支持，从而使分类变得困难。此外，当与TC结合时，流学习 (SL) 提出了许多挑战。因此，需要鲁棒的统计流特征来减少SDN控制平面的开销。因此，这些统计流特征可以提取在线特征，处理概念漂移，并使用有限的资源 (时间和内存) 处理无限数据流。本文旨在通过执行以下操作，使用SL技术来选择相关的FS以减轻来自SDN控制平面的负载，从而提高TC的整体性能。首先，提出了一种称为Boruta的FS机制。其次，我们为SDN提出了三种基于流的TC方法: Hoeffding自适应树 (HAT)，自适应随机森林 (ARF) 和具有自适应滑动窗口检测器的k最近邻 (knn-adwin)。这些技术可以动态处理概念漂移，解决内存和时间消耗问题，降低SDN控制器的开销。第三，使用真实和合成流量跟踪来评估所提出的FS和流TC性能。根据仿真结果，Boruta FS技术在精度，召回率和f分数方面可以达到95% 平均精度，每个应用程序可以达到87% 平均精度，优于文献中的其他作品。此外，SL技术的结果表明，所提出的方法可以保持高达85% 的平均准确性，78% 的kappa和62的平均率88% 的精度，召回率和f分数。此外，与ART和knn-adwin相比，HAT消耗的时间和内存更少 (分别为15s和105KB)。

Keyword:

Adaptive random forest

features selection

Hoeffding adaptive trees

k-nearest neighbor with adaptive sliding window detector

machine learning

software-defined networks

stream learning

traffic classification