Confidence Driven Classification of Application Types in the Presence of Background Network Traffic
UNC Chapel Hill（北卡罗来纳大学教堂山分校）；Universidade do Algarve（阿尔加维大学）
本文提出基于高斯混合模型的分类框架，通过改进深度学习分类器的置信度指示，以更可靠地分类在存在背景网络流量时的应用类型。
2026-02-03 cs.NI
An Approach for Spatial-temporal Traffic Modeling in Mobile Cellular Networks
移动蜂窝网络中的业务数据的量和类型一直在持续增长。同时，交通数据在时间和空间等多个维度上动态变化。因此，流量建模是必不可少的理论分析和未来的超密集蜂窝网络的节能设计。在本文中，作者试图建立一个易于处理的和准确的模型来描述实际蜂窝网络中的单个基站的流量变化模式。首先，基于蜂窝网络中的实际数据，提出了一种描述多个基站业务量随时间变化的正弦叠加模型。结果表明，一个区域内多个基站的平均业务量呈周期性变化，并具有三个主要的频率分量。然后，对数正态分布的空间建模的实际交通数据进行了验证。分析了空闲时间和繁忙时间的空间流量分布。并给出了园区、校园和中心商务区三个典型区域的模型参数。最后，提出了一种基于多基站时空业务分布的单基站时空业务联合建模方法。通过与当前蜂窝网络中的实际数据进行比较，对这三种模型进行了评估。结果表明，这些模型能够准确地描述蜂窝网络中实际业务数据的变化规律。
2017-03-31 cs.NI
Automation of Smartphone Traffic Generation in a Virtualized Environment
对快速发展的移动终端应用流量进行可扩展和全面的分析是非常重要的，但对于深度分组检测（DPI）引擎执行有效的策略管理来说是一个具有挑战性的问题。我们提出了一个测试框架，在该框架中，测试驱动程序可以通过调用真实移动应用程序（而不是流量重播）的适当方法（意图）在虚拟化环境中对移动应用程序流量分析引擎进行回归或功能测试来自动化/编排流量生成，而无需真正的硬件。我们通过使用Android VM在虚拟测试设置中通过DPI引擎自动化实时Skype呼叫来演示这一概念。
2015-10-27 cs.NI
Anomaly Detections in Internet traffic Using Empirical Measures
介绍了基于大偏差结果的互联网流量异常检测机制，并进行了实证分析.使用过去的流量跟踪，我们在不同的时间间隔的网络流量的特点，假设它是无异常。在整个过程中，我们比较了这两种方法，展示了它们的优点和缺点，以识别和分类时间网络异常。我们还演示了如何使用我们的框架来监控流量从多个网络元素，以确定空间和时间的异常。我们验证我们的技术，通过分析真实的交通痕迹与时间戳异常。
2013-08-24 cs.NI
Network Link Dimensioning based on Statistical Analysis and Modeling of Real Internet Traffic
互联网服务提供商使用链路尺寸来正确配置其网络链路的容量。运营商必须为突发流量和网络故障做好准备，以确保不间断的运营。实际上，流量平均值用于粗略估计所需容量。更准确的解决方案通常需要从数据包捕获中轻松获得流量统计数据，例如方差。我们对真实网络流量的研究表明，在较小的聚集时间内，网络流量具有很高的变化性，这表明网络流量具有自相似性和重尾性。自相似性和重尾性对于网络容量规划具有重要意义。流量建模过程应考虑所有的互联网流量特征。因此，网络的服务质量（QoS）不会受到真实业务属性与参考统计模型之间的任何失配的影响。本文提出了一类新的流量配置文件，更适合于计量突发的互联网流量流。我们采用带宽供应，以确定网络链路所需的最低带宽容量水平，这样对于给定的流量负载，所需的性能目标得到满足。我们验证我们的方法使用数据包捕获从真正的基于IP的网络。建议的链路尺寸的方法开始测量可用的痕迹的统计参数，然后在流量的波动程度已被测量。其次是选择合适的模型来拟合流量，如对数正态分布和广义极值分布。最后，可以通过部署带宽供应方法来估计链路的最佳容量。它已被证明，重尾分布给出更精确的值比高斯模型的链路容量。
2017-10-01 cs.NI
A Comparison of Approaches for Traffic Engineering in IP and MPLS Networks
随着IP / MPLS网络服务提供商不断提高网络效率，流量工程变得越来越重要。在这篇文章中，我们回顾了IP / MPLS网络中的流量工程方法，并提出了一项研究结果，比较了它们在运营网络中的性能
2016-08-12 cs.NI
Mobile Traffic Offloading with Forecasting using Deep Reinforcement Learning
随着移动业务需求的爆炸式增长，一种有前景的解决方案是将蜂窝业务卸载到小型基站以获得更好的系统效率。由于系统复杂性的增加，网络运营商正面临严峻的挑战，并在寻找基于机器学习的解决方案。在这项工作中，我们提出了一种能量感知的移动流量卸载方案在异构网络中联合应用深度Q网络（DQN）决策和先进的流量需求预测。基站控制模型是在一个主要电信运营商的开放数据集上训练和验证的。性能评估表明，基于DQN的方法优于其他在所有级别的移动业务需求。同时，在更高的业务需求下，准确的业务预测的优势更加显著。
2019-11-18 cs.NI
PARROT: Portable Android Reproducible traffic Observation Tool
本文提出PARROT，一个基于安卓虚拟设备的可复现便携流量捕获系统，集成mitmproxy解密，通过对比2021与2025年80个应用流量，揭示TLSv1.3、QUIC和DoT等安全协议的显著演进趋势。
2025-09-11 cs.NI
Understanding Mobile Traffic Patterns of Large Scale Cellular Towers in Urban Environment
了解城市环境中大规模蜂窝塔的移动业务模式对于现代大都市的互联网服务提供商、移动用户和政府管理者都是非常有价值的。本文的目的是提取和建模的大规模塔部署在一个大城市的交通模式。为了实现这一目标，我们需要解决几个挑战，包括缺乏适当的工具来处理大规模的交通测量数据，未知的交通模式，以及处理影响交通模式的城市生态和人类行为的复杂因素。我们的核心贡献是一个强大的模型，它结合了三维信息（时间，塔的位置和交通频谱），以提取和模拟数千个蜂窝塔的交通模式。我们的实证分析揭示了以下重要的观察结果。首先，在9，600个蜂窝塔中只存在五种基本的时域业务模式。第二，每个提取的交通模式映射到一种类型的地理位置相关的城市生态，包括居住区，商业区，交通，娱乐，综合区。第三，我们的频域流量频谱分析表明，9,600个塔中的任何塔的流量都可以使用与人类活动行为相对应的四个主要分量的线性组合来构建。我们相信，所提出的交通模式提取和建模方法，结合对移动流量的实证分析，铺平了道路，对大规模的蜂窝塔在现代大都市的交通模式的深入了解。
2015-10-14 cs.NI
Arterial Network Traffic State Prediction with Connected Vehicle Data: An Abnormality-Aware Spatiotemporal Network
University of Central Florida（中佛罗里达大学）
本文提出了一种基于连接车辆数据的动脉网络交通预测框架，通过异常感知的时空图卷积网络实现对正常和异常交通的联合建模，提升大尺度动脉网络的交通状态预测能力。
2026-02-17 cs.NI
Baselining Network-Wide Traffic by Time-Frequency Constrained Stable Principal Component Pursuit
Internet流量分析是网络管理的重要内容，提取基线流量模式对一些重要的网络应用有着重要的意义，本文研究了满足一种改进的流量矩阵分解模型的流量矩阵的基线问题，该模型扩展了基线流量分量的假设，以表征其平滑性，比现有的流量矩阵模型更符合实际。我们开发了一种新的基线方案，命名为稳定的主成分追踪时频约束（SPCP-TFC），它扩展了稳定的主成分追踪（SPCP）通过应用新的时频约束。在此基础上，我们设计了一种求解SPCP-TFC的有效数值算法。最后，我们通过仿真对该基线方案进行了评估，并表明它比现有的基线方案RBL和PCA具有更好的性能。
2015-06-26 cs.NI
Dynamic QoS-Aware Traffic Planning for Time-Triggered Flows in the Real-time Data Plane
许多网络应用，例如，在网络物理系统领域中，对于时间触发的业务流，需要严格的服务保证，通常以抖动和延迟界限的形式。众所周知，计算满足这些要求的网络范围的流量计划是一个非常困难的问题，并且流集中的动态变化增加了更多的挑战。现有的交通规划方法是不适合的动态场景，因为它们要么遭受高计算成本，可能导致低网络利用率，或提供没有明确的保证时，过渡到一个新的交通计划，包括新的流量。因此，我们提出了一种新的方法，时间触发流的动态交通规划。我们的冲突图为基础的交通规划问题的建模允许重新配置活动流，以提高网络利用率，同时还提供每个流的QoS保证过渡到新的交通计划。此外，我们引入了一种新的启发式计算新的交通计划。我们的原型实现的评估表明，我们可以有效地计算新的流量计划的情况下，数百个活跃的流量为广泛的场景。
2022-06-30 cs.NI
Modeling Self-Similar Traffic for Network Simulation
为了更接近真实的网络场景，从而验证协议设计的有效性，有必要对现实网络中的业务流进行建模。广泛的研究[1]表明，接入和局域网中的实际流量（例如，由FTP和视频流生成的那些）表现出自相似性和长程相关性（LRD）的特性[2]。在本附录中，我们简要介绍了自相似性的性质，并提出了一个实用的方法来建模自相似轨迹与指定的流量强度。
2013-08-18 cs.NI
Diurnal and Weekly Cycles in IPv6 Traffic
IPv6活动通常报告为每天网络流量的一小部分。然而，在这些流量中，有每日和每周的特征，这是由跨ISP和区域的非统一IPv6部署驱动的。本文讨论了我们今天观察到的一些更明显的模式。
2016-07-18 cs.NI
A Genetic Algorithm Approach to the Grooming of Dynamic Traffic in Tree and Star Networks with Bifurcation
业务疏导被广泛用于减少ADM和波长的数量。本文研究了WDM树型网络和星形网络中动态业务的疏导问题。为了达到更好的效果，我们使用分叉技术，以严格无阻塞的方式在网络中的任意动态流量的疏导。提出了三种分裂方法，即分段分裂法、分段分裂法和综合分裂法。在此基础上提出了一种遗传算法（GA）来解决树形和星形网络中的疏导问题。在星型网络和树型网络中，对这些算法的性能进行了测试。计算机模拟结果表明，该算法在减少ADM的数目和波长方面是有效的。
2006-10-27 cs.NI
Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
School of ECE, College of Engineering, University of Tehran（德黑兰大学工程学院电气与计算机工程学院）
在本文中，我们介绍了一种新的端到端的流量分类方法来区分流量类，包括VPN流量在三层的开放系统互连（OSI）模型。由于其加密性质，使用传统分类方法对VPN流量进行分类并不简单。我们利用两个著名的神经网络，即多层感知器和递归神经网络创建我们的级联神经网络集中在两个指标：类分数和类的中心距离。这种方法将提取、选择和分类功能组合到单个端到端系统中，以系统地学习输入和预测性能之间的非线性关系。因此，我们可以通过拒绝VPN类的不相关特征来区分VPN流量和非VPN流量。此外，我们得到的应用类型的非VPN流量在同一时间。该方法是使用一般的流量数据集ISCX VPN-nonVPN，和所获得的数据集进行评估。结果表明，加密流量分类的框架方法的有效性，同时也实现了极高的准确性，$95$百分比，这是高于国家的最先进的模型的准确性，和强大的泛化能力。
2021-12-10 cs.LG cs.NI
Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
University of Oregon（俄勒冈大学）；University of Oregon, Link Oregon（俄勒冈大学，Link Oregon）
本文提出模型无关的流量解释框架Traffic-Explainer，通过最大化原始与掩码序列预测间的互信息揭示关键特征，在应用分类、流量定位和网络制图中提升深度学习流量分类的透明性，性能较现有方法提升约42%。
2025-09-22 cs.LG cs.NI
From Emulation to Mathematical: A More General Traffic Obfuscation Approach To Encounter Feature based Mobile App traffic Classification
移动应用程序的使用在这个数字时代是无懈可击的。虽然每天都会产生大量数据，但用户隐私安全问题成为一个重要问题。如今，大量的技术，如机器学习和深度学习流量分类器，已被应用于分析用户的应用程序流量。这些技术允许监控器在用户流量仍然加密的情况下获取使用应用程序的指纹，这会引发严重的隐私问题。为了对抗这种类型的数据分析，人们一直在研究混淆算法，通过修改分组长度分布来混淆基于特征的机器学习分类器与数据伪装。现有的工作通过将流量包长度分布从源应用重新映射到虚假伪装应用来实现这一目标。然而，该解决方案在实际应用中缺乏可扩展性和灵活性，因为该方法需要在使用流量伪装之前对目标虚假应用流量进行预采样。在本文中，我们提出了一种实用的解决方案，通过使用数学模型来计算目标分布，同时保持AppScanner移动流量分类器性能至少50%的准确率下降，以及数据包修改期间产生的大约20%的开销。
2023-02-06 cs.CR cs.NI
Characterization of P2P IPTV Traffic: Scaling Analysis
P2P网络电视应用是在互联网上兴起的，并将在未来得到广泛应用。预计P2P IPTV将有助于增加整体互联网流量。在这种情况下，重要的是要衡量P2P IPTV对网络的影响，并描述这种流量。在2006年世界杯期间，我们进行了广泛的测量活动。我们测量了最流行的P2P IPTV应用程序（即PPLive、PPStream、SOPCast和TVAnts）播放游戏所产生的网络流量。从采集的数据出发，利用小波变换的方法对不同时间尺度下的P2P IPTV流量结构进行了分析。据我们所知，这是第一项工作，它提出了一个完整的多尺度分析的P2P IPTV流量。结果表明，TCP流量的尺度特性呈现周期性，而UDP流量的尺度特性是平稳的，并导致长距离依赖特性。对于所有应用程序，下载流量具有与上传流量不同的特性。信令流量对下载流量有显著影响，但对上传流量的影响可以忽略不计。要设计准确的P2P IPTV流量模型，必须考虑到流量的两边及其粒度。
2007-07-17 cs.MM cs.NI
Q-DATA: Enhanced Traffic Flow Monitoring in Software-Defined Networks applying Q-learning
Technische Universität Chemnitz（开姆尼茨工业大学）；Duy Tan University（维新大学）
软件定义网络（SDN）通过将数据平面与控制平面分离来引入集中式网络控制和管理，这有助于流量监控、安全分析和策略制定。然而，选择适当程度的业务流处理粒度同时主动保护转发设备免于过载是具有挑战性的。在本文中，我们提出了一种新的业务流匹配控制框架称为Q-DATA，应用强化学习，以提高基于SDN的网络中的业务流监控性能，并防止流量转发性能下降。我们首先描述和分析了一个基于SDN的交通流匹配控制系统，该系统采用了基于Q-学习算法的强化学习方法，以最大限度地提高交通流粒度。它还考虑了从基于支持向量机的算法导出的SDN交换机的转发性能状态。接下来，我们概述了Q-DATA框架，该框架结合了来自交通流匹配控制系统的最佳交通流匹配策略，以有效地提供其他机制所需的最详细的交通流信息。我们的新方法实现为REST SDN应用程序，并在SDN环境中进行评估。通过综合实验，结果表明，与常见SDN控制器的默认行为和我们以前的DATA机制相比，新的Q-DATA框架在SDN交换机的流量转发性能降级保护方面有了显着的改善，同时仍能按需提供最详细的流量信息。
2019-09-04 cs.LG cs.NI
A Review of Network Traffic Analysis and Prediction Techniques
North Maharashtra University（北马哈拉施特拉大学）
网络流量的分析和预测在广泛的领域中有着广泛的应用，并且最近吸引了大量的研究。对现有计算机网络应用中存在的各种问题进行了不同类型的实验和总结。网络流量分析和预测是确保安全、可靠和高质量网络通信的主动方法。提出并实验了各种技术来分析网络流量，包括基于神经网络的技术到数据采掘技术。类似地，各种线性和非线性模型被提出用于网络流量预测。网络分析和预测技术的几个有趣的组合实现，以获得高效和有效的结果。本文介绍了各种这样的网络分析和流量预测技术的调查。对前人研究的独特性和规律进行了探讨。总结了网络流量分析与预测的各个研究领域。
2015-07-27 cs.AI cs.NI
Statistical End-to-end Performance Bounds for Networks under Long Memory FBM Cross Traffic
分数布朗运动（fBM）成为一个有用的模型，自相似和长程相关的互联网流量。近似的性能措施是已知的大偏差理论与fBm通过流量的单排队系统。在本文中，我们推导出端到端的性能界限下的fBM交叉流量的串联队列网络中的通过流。为此，我们证明了一个严格的样本路径包络fBM，补充以前的近似结果。我们发现，这两种方法都同意在他们的结果，fBM流量的溢出概率有一个Weibull尾巴。我们采用样本路径包络和剩余服务曲线的概念来模拟剩余服务调度后，在系统中的fBM交叉流量。串联系统的随机网络演算的组合物的结果，我们得出端到端的统计性能界限下的fBM交叉流量的网络中的个人流量。我们发现，对于n个串联系统，这些边界在O（n（log n）^（1/（2- 2 H）内增长，其中H是fBm交叉流量的Hurst参数。我们展示了数值结果的变化性和相关性的fBM流量对网络性能的影响。
2009-09-03 cs.NI cs.PF
Network Intell: Enabling the Non-Expert Analysis of Large Volumes of Intercepted Network Traffic
在刑事调查中，电信窃听已成为执法部门常用的技术。虽然电话窃听有充分的文件记录，其执行程序也是众所周知的，但互联网窃听却并非如此。合法拦截的网络流量通常包含大量加密流量，这使得在捕获的流量中找到有用信息变得越来越困难。物联网的出现使非技术调查人员的过程进一步复杂化。目前截获的网络流量的复杂程度接近于在没有具有先进网络知识的数字调查人员监督的情况下无法分析数据的程度。目前的调查重点是按时间顺序分析所有通信，主要是对截获的通信的数据内容进行调查。当要分析的数据量变得非常大时，这种方法往往变得过于费力。在本文中，我们提出了一种新的方法来分析大量的网络元数据的基础上截获的网络流量。我们的方法显着减少了分析的持续时间，也产生了非技术调查分析结果的洞察力。我们还测试了我们的方法与大样本的网络流量数据。
2018-01-27 cs.CR cs.NI
Destination-aware Adaptive Traffic Flow Rule Aggregation in Software-Defined Networks
Technische Universität Chemnitz（开姆尼茨工业大学）
在本文中，我们提出了一个目的地感知的自适应流量规则聚合（DATA）机制，以促进基于SDN的网络中的流量监控。该方法根据其他机制（例如，用于流量工程、流量监控、入侵检测）所需的流量流信息的详细程度来适配SDN交换机中的流表条目的数量。它还通过将流表条目的数量保持在远低于临界水平来防止SDN交换机的性能下降。该水平不是预设为硬阈值，而是在操作期间通过使用基于机器学习的算法来学习。DATA方法在RESTful应用（DATA App）内实现，该RESTful应用监控和分析正在进行的网络流量，并向SDN控制器提供指令以相应地适配流量流匹配策略。在SDN仿真环境中对DATA进行了全面的性能评估。结果表明，与常见SDN控制器的默认行为相比，所提出的DATA方法可以显著提高SDN交换机的性能，同时仍能按需提供详细的流量信息。
2019-09-07 cs.LG cs.NI
Traffic Divergence Theory: An Analysis Formalism for Dynamic Networks
本文提出基于流量散度的动态网络分析理论，用空间散度率刻画最大流量分布，并通过数据中心吞吐量估计与机器人通信规划仿真验证其有效性。
2024-04-03 cs.MA cs.NI math.DS
Global Modeling and Prediction of Computer Network Traffic
我们开发了一个概率框架的全球建模的流量在计算机网络。该模型将现有的单链路（流）流量模型与网络上的路由相结合，以捕获全局流量行为。它产生于一个有限的近似的流量波动的时间尺度和用户共享网络的数量增长。所得到的概率模型由高斯和/或稳定的无限方差分量组成。它们可以用某些“时空”随机场来简洁地描述和处理。该模型对模拟和真实数据进行了验证。然后，它被应用到预测流量波动未观察到的链路从一组有限的观察到的链接。此外，异常检测和网络管理的应用进行了简要讨论。
2010-05-24 cs.NI math.ST stat.TH
Deep Packet: A Novel Approach For Encrypted Traffic Classification Using Deep Learning
Sharif University of Technology（谢里夫理工大学）
随着当前互联网网络和在线应用的快速增长，互联网流量分类变得更加重要。关于这一主题已经有许多研究，导致了许多不同的方法。这些方法中的大多数使用由专家提取的预定义特征来对网络流量进行分类。相比之下，在这项研究中，我们提出了一个\emph{deep learning}为基础的方法，集成了特征提取和分类阶段到一个系统。我们提出的方案，称为“深度分组”，可以处理\emph{traffic characterization}，其中网络流量被分类为主要类别（\eg，FTP和P2P）和应用程序识别，其中最终用户应用程序（\eg，BitTorrent和Skype）的识别是期望的。与目前大多数方法相反，深度数据包可以识别加密流量，并区分VPN和非VPN网络流量。在对数据进行初始预处理阶段之后，数据包被送入深度数据包框架，该框架嵌入了堆栈式自动编码器和卷积神经网络，以便对网络流量进行分类。以CNN为分类模型的深度包实现了应用识别任务中的$0.98$和流量分类任务中的$0.94$的召回。据我们所知，Deep Packet在UNB ISCX VPN-nonVPN数据集上的表现优于所有提出的分类方法。
2018-07-04 cs.CR cs.LG cs.NI
User Traffic Prediction for Proactive Resource Management: Learning-Powered Approaches
Stockholm University（斯德哥尔摩大学）；Huawei Sweden（瑞典华为）
在无线网络中，流量预测在有效规划和使用网络资源方面起着至关重要的作用。虽然有线网络中的流量预测是一个既定的领域，但缺乏对蜂窝网络中的流量分析的研究，特别是在用户级别上以内容盲的方式。在这里，我们通过设计采用统计、基于规则或深度机器学习方法的流量预测工具来解决这个问题。首先，我们提出了一个广泛的实验评估的设计工具在一个真正的交通数据集。在此分析中，不同的参数，如预测的长度，分析中使用的特征集，和数据的粒度，预测的准确性的影响进行了研究。第二，关于交通行为和其生成的应用程序之间观察到的耦合，我们扩展我们的分析产生的交通的统计数据的基础上的应用程序的盲分类的交通到达/离开。结果表明存在阈值数量的先前观察结果，超过该阈值数量，深度机器学习可以优于线性统计学习，并且在此之前，统计学习优于深度学习方法。对该阈值的进一步分析表示该阈值、未来预测的长度和使用中的特征集之间的强耦合。最后，通过一个案例研究，我们提出了如何经验延迟可以减少交通到达预测。
2019-05-09 cs.LG cs.NI stat.ML
Structural Analysis of Network Traffic Matrix via Relaxed Principal Component Pursuit
网络流量矩阵在网络运营管理中有着广泛的应用。因此，分析网络流量矩阵的组成和结构至关重要，为此提出了几种数学方法，如主成分分析（PCA）。在本文中，我们首先认为，PCA分析流量矩阵是由大量的异常污染表现不佳，然后提出了一个新的分解模型的网络流量矩阵。根据该模型，我们通过将网络流量矩阵分解为三个子矩阵，即确定性流量、异常流量和噪声流量矩阵来进行结构分析，这类似于先前在[13]中研究的鲁棒主成分分析（RPCA）问题。基于松弛主成分追踪（Relaxed PCP）方法和加速邻近梯度（Accelerated Proximal Gradient，APG）算法，提出了一种分解流量矩阵的迭代方法，并通过实验验证了该方法的有效性和灵活性。最后，我们进一步讨论了确定性和噪声业务的几个特点。我们的研究开发了一种新的方法的流量矩阵的结构分析问题，这是强大的大体积异常的污染。
2012-03-06 cs.IT cs.NI cs.PF
