Machine Learning-Based Mobile Traffic Classification for QoS-Oriented Network Management

doi:10.3390/computers15070445

2026-07-17

Mohammed Aqeel Ismail *

Okuthe P. Kogeda *

DOI：10.3390/computers15070445

原文链接

原文求助

摘要

En 中文

移动网络流量的日益复杂性和海量性给跨多样化应用保持一致的服务质量（QoS）带来了重大挑战。准确的流量分类可通过区分不同带宽、延迟和可靠性要求的业务实现应用感知的资源分配。传统的分类技术，包括基于端口的识别和深度包检测（DPI），由于广泛加密、端口伪装和日益增长的隐私担忧而变得不足且效果降低。本文提出了一种基于监督学习的应用级网络流量分类方法，专门作为未来5G网络中QoS优化的基础。由于公开可用的5G流量数据集仍然有限，本研究使用MIRAGE-2019移动流量数据集作为代理数据集来评估所提出的分类框架。使用从移动应用流量中提取的流级统计特征实现了一个随机森林分类器。该框架进一步结合了基于RFC 4594 DiffServ服务类指南的规则化QoS策略映射，以分配应用特定的优先级级别、带宽需求、延迟敏感性和抖动容忍度。实验评估在二十个移动应用上实现了71.83%的整体分类准确率、0.6701的宏F1分数和0.7227的加权F1分数。尽管实验使用了预5G移动流量数据集，但结果表明监督机器学习能够有效分类加密的移动应用流量，并为未来5G和下一代移动网络中应用感知的QoS策略实施提供了实用基础。

Keyword:

5G networks

network traffic classification

Quality of Service (QoS)

statistical features

supervised learning

random forest algorithm

machine learning

MIRAGE2019