بررسی روش های دسته بندی ترافیک شبکه های کامپیوتری

با توجه به معرفی برنامه های اینترنتی جدید به همراه استفاده از تکنیک های رمزنگا ری، شناسایی و دسته بندی ترافیک بر ای امنیت شبکه و مدیریت ضروری است. تحقیقات زیادی بر روی ارائه یک یک مدل دسته بندی ترافیک مطلوب تمرکز کرده اند. در این مقاله، یک رده بندی و تجزیه وتحلیل آماری از طیف گسترده ای از روش های موجود و جدید ارائه شده ارائه می شود. 54 پژوهش علمی که بین سال های 2004 تا 2018 بودند گردآوری و در پنج رده شامل یادگیری ماشین، آماری، تطبیق الگو، ظرفیت بار و مبتنی بر پورت بررسی می شوند. نتایج و یافته ها نشان می دهد که (1) روشهای مبتنی بر یادگیری ماشین با 43% (23 از 54 ) و پسازآن رویکردهای آماری با 22% (12 از 54) بیشترین نرخ توزیع پژوهش ها را داشته اند. ( 2) رویکردهای مبتنی بر پورت، آماری و تطبیق الگو منسوخ شده اند و در مقابل، بیشتر پژوهش ها بر روی یادگیری ماشین و ظرفیت بار که روشهای جدیدتری هستند تمرکز دارند، و ( 3) به دلیل کارایی بیشتر یادگیری ژرف نسبت به سایر رویکردهای یادگیری ماشین، بیشترین تمرکز در پژوهش های یادگیری ماشین بر روی یادگیری ژرف بوده است. این مطالعه با هدف کمک به پژوهشگران و افرادی که مسئولیت خدمات شبکه را بر عهده دارند ارائه شده است تا با آخرین پیشرفت ها در دسته بندی ترافیک شبکه آشنا شوند.