[論文レビュー] Elephant Flows Detection Using Deep Neural Network, Convolutional Neural Network, Long Short Term Memory and Autoencoder

Getahun Wassie Geremew, Jianguo Ding|arXiv (Cornell University)|Jun 6, 2023

Internet Traffic Analysis and Secure E-voting被引用数 4

ひとこと要約

本稿では、DNN、CNN、LSTM、自己符号化器モデルを用いた深層学習ベースの動的トラフィック分類手法を提案し、帯域幅を食い潰すフロー（アリのフロー）を検出する。これらのモデルは、高精度（最大99.12%）と低再構成誤差（0.13）を達成し、ラベルなしデータにおいても効果的に帯域幅を食い潰すフローを特定できることを示している。特に自己符号化器による教師なしアプローチが顕著である。

ABSTRACT

Currently, the wide spreading of real-time applications such as VoIP and videos-based applications require more data rates and reduced latency to ensure better quality of service (QoS). A well-designed traffic classification mechanism plays a major role for good QoS provision and network security verification. Port-based approaches and deep packet inspections (DPI) techniques have been used to classify and analyze network traffic flows. However, none of these methods can cope with the rapid growth of network traffic due to the increasing number of Internet users and the growth of real time applications. As a result, these methods lead to network congestion, resulting in packet loss, delay and inadequate QoS delivery. Recently, a deep learning approach has been explored to address the time-consumption and impracticality gaps of the above methods and maintain existing and future traffics of real-time applications. The aim of this research is then to design a dynamic traffic classifier that can detect elephant flows to prevent network congestion. Thus, we are motivated to provide efficient bandwidth and fast transmision requirements to many Internet users using SDN capability and the potential of Deep Learning. Specifically, DNN, CNN, LSTM and Deep autoencoder are used to build elephant detection models that achieve an average accuracy of 99.12%, 98.17%, and 98.78%, respectively. Deep autoencoder is also one of the promising algorithms that does not require human class labeler. It achieves an accuracy of 97.95% with a loss of 0.13 . Since the loss value is closer to zero, the performance of the model is good. Therefore, the study has a great importance to Internet service providers, Internet subscribers, as well as for future researchers in this area.

研究の動機と目的

• VoIP や動画ストリーミングなどの高帯域幅のリアルタイムアプリケーションで生じるアリのフローによるネットワーク混雑を緩和すること。
• 従来のポートベースおよびDPI手法の限界を克服すること。これらの手法はスケーラビリティと高いネットワークトラフィック量の両方において課題を抱えている。
• QoS およびネットワークセキュリティの向上を目的として、深層学習を用いた動的でスケーラブルなトラフィック分類システムを設計すること。
• DNN、CNN、LSTM、自己符号化器といった複数の深層学習アーキテクチャを用いたアリのフロー検出の評価を行うこと。
• 自己符号化器による教師なし学習を活用し、人為的ラベル付きデータへの依存を排除することを検討すること。

提案手法

• 本研究では、アリのフロー検出のための4つの深層学習モデル（深層ニューラルネットワーク（DNN）、畳み込みニューラルネットワーク（CNN）、長短期記憶（LSTM）、深層自己符号化器）を採用している。
• 入力特徴量は、パケット数、バイト数、フロー持続時間などのネットワークフロー統計から抽出され、モデルの学習に用いられる。
• DNN、CNN、LSTM モデルは、ラベル付きのアリのフローデータを用いて教師あり学習で訓練される。
• 自己符号化器モデルは、正常なフローの再構成を目的とした教師なし学習で訓練され、再構成誤差が高くなるとアリのフローと特定される。
• モデルの性能は、精度と再構成誤差を用いて評価され、自己符号化器の性能は再構成誤差に基づく異常検出能力によって測定される。
• モデルは実世界のネットワークデータセットを用いて評価され、現実的な条件下での検出能力を検証する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、大量かつリアルタイムのネットワークトラフィックにおいてアリのフローを効果的に検出できるか？
• RQ2 DNN、CNN、LSTM、自己符号化器といった異なる深層学習アーキテクチャは、検出精度と効率性においてどのように比較されるか？
• RQ3 教師なしの自己符号化器モデルは、ラベル付き学習データを必要とせずにアリのフローを検出できるか？
• RQ4 再構成誤差が自己符号化器の高帯域幅フロー特定能力に与える影響は何か？
• RQ5 これらのモデルは、動的ネットワーク環境下でも低遅延と高精度を維持できるか？

主な発見

• DNN モデルは99.12%の最高精度を達成し、アリのフローの分類において優れた性能を示した。
• CNN モデルは98.17%の精度を達成し、フローフィーチャー内の空間的パターンを効果的に捉えられることを示した。
• LSTM モデルは98.78%の精度を達成し、ネットワークフロー内の時間的依存性をモデル化する能力が優れていることを示した。
• 自己符号化器モデルは97.95%の精度と0.13の低再構成誤差を達成し、教師なし異常検出において優れた性能を示した。
• 低再構成誤差値（0.13）は、自己符号化器モデルが正常なフローのパターンを効果的に学習し、その逸脱をアリのフローとして検出できることを裏付けた。
• 本研究は、特に自己符号化器を用いた深層学習モデルが、ラベル付きデータに依存せず、スケーラブルかつ効率的なリアルタイムアリのフロー検出ソリューションを提供できることを確認した。