| 1 |
1
네트워크 트래픽 데이터를 정제하는 데이터 정제부;상기 정제한 네트워크 트래픽 데이터를 패킷 단위의 이미지 형태로 된 데이터 세트로 변환하는 데이터 변환부; 및상기 변환한 데이터 세트를 CNN(Convolutional Neural Network) 모델을 통해 학습하여 예측모델을 생성하는 학습부;를 포함하며,상기 학습부는, 단일 패킷의 페이로드들만을 상기 CNN 모델의 입력 데이터 세트로 적용하여 학습하며,상기 정제는, 상기 네트워크 트래픽 데이터의 패킷을 캡처한 원본 PCAP(Packet Capture) 파일에서, 각 플로우에 대한 레이블을 참조하여 수량이 많은 레이블 순서대로 미리 설정한 수 이상의 레이블에 해당하는 플로우를 선택하고, 상기 선택한 플로우의 내부 패킷의 애플리케이션 레이어 페이로드만을 필터링하는 것을 포함하며,상기 네트워크 트래픽 데이터의 플로우가 갖는 연속성을 가지지 않는 단일 패킷의 페이로드들만을 CNN 모델의 입력 데이터 세트로 적용하여, 패킷 구조, 패킷내의 각 영역의 의미를 파악할 필요가 없이, CNN 모델에 적용되는 데이터 세트의 이미지 크기 및 원소의 비트 크기를 각기 다르게 하여 학습을 수행하고, 그 결과를 토대로 패킷 단위의 이미지 크기에 따른 네트워크 트래픽 데이터의 분류를 처리하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류장치
|
| 2 |
2
청구항 1에 있어서,상기 네트워크 트래픽 분류장치는,가입자 측의 통신장치 또는 상기 통신장치에 접속되는 트래픽 모니터링 장치의 네트워크 트래픽 분류에 대한 쿼리 요청을 토대로 상기 통신장치에서 송수신되는 데이터 패킷을 상기 예측모델에 적용하여 네트워크 트래픽의 종류를 예측하는 예측부;를 더 포함하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류장치
|
| 3 |
3
삭제
|
| 4 |
4
청구항 1에 있어서,상기 학습부는,상기 데이터 변환부에서 패킷 단위의 이미지 형태로 변환한 데이터 세트를 상기 CNN 모델에 적용하여 학습을 진행할 때, 데이터 세트의 크기나 변환 형태를 고려하여 N×N의 2차원 컨볼루션 또는 1×N의 1차원 컨볼루션을 선택적으로 적용하며,상기 N은 2 이상의 정수로서, 컨볼루션을 수행할 때의 이미지 크기를 의미하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류장치
|
| 5 |
5
가입자 측의 라우터, 스위치를 포함한 통신장치에 접속되어 상기 통신장치의 네트워크 트래픽을 모니터링하는 것으로서,트래픽 모니터링 관리자의 조작을 확인하여 상기 통신장치에서 처리되는 네트워크 트래픽의 분류에 대한 쿼리를 확인하는 쿼리 입력 처리부; 및상기 쿼리에 따라 상기 통신장치에서 송수신되는 데이터 패킷을 기 저장된 예측모델에 적용하여 네트워크 트래픽의 종류를 예측하는 예측부;를 포함하며,상기 예측모델은, 정제된 네트워크 트래픽 데이터를 패킷 단위의 이미지 형태로 된 데이터 세트로 변환한 데이터 세트를 CNN 모델을 통해 학습하여 생성되는 것으로서, 네트워크 트래픽 분류장치에서 단일 패킷의 페이로드들만을 상기 CNN 모델의 입력 데이터 세트로 적용하여 학습한 결과를 토대로 생성되며,상기 정제는, 상기 네트워크 트래픽 데이터의 패킷을 캡처한 원본 PCAP(Packet Capture) 파일에서, 각 플로우에 대한 레이블을 참조하여 수량이 많은 레이블 순서대로 미리 설정한 수 이상의 레이블에 해당하는 플로우를 선택하고, 상기 선택한 플로우의 내부 패킷의 애플리케이션 레이어 페이로드만을 필터링하는 것을 포함하며,상기 네트워크 트래픽 데이터의 플로우가 갖는 연속성을 가지지 않는 단일 패킷의 페이로드들만을 CNN 모델의 입력 데이터 세트로 적용하여, 패킷 구조, 패킷내의 각 영역의 의미를 파악할 필요가 없이, CNN 모델에 적용되는 데이터 세트의 이미지 크기 및 원소의 비트 크기를 각기 다르게 하여 학습을 수행하고, 그 결과를 토대로 패킷 단위의 이미지 크기에 따른 네트워크 트래픽 데이터의 분류를 처리하는 것을 특징으로 하는 트래픽 모니터링 장치
|
| 6 |
6
네트워크 트래픽 분류장치에서, 네트워크 트래픽 데이터를 정제하는 데이터 정제 단계;상기 네트워크 트래픽 분류장치에서, 상기 정제한 네트워크 트래픽 데이터를 패킷 단위의 이미지 형태로 된 데이터 세트로 변환하는 데이터 변환 단계; 및상기 네트워크 트래픽 분류장치에서, 상기 변환한 데이터 세트를 CNN 모델을 통해 학습하여 예측모델을 생성하는 학습 단계;를 포함하며,상기 학습 단계는, 단일 패킷의 페이로드들만을 상기 CNN 모델의 입력 데이터 세트로 적용하여 학습하며,상기 정제는, 상기 네트워크 트래픽 데이터의 패킷을 캡처한 원본 PCAP(Packet Capture) 파일에서, 각 플로우에 대한 레이블을 참조하여 수량이 많은 레이블 순서대로 미리 설정한 수 이상의 레이블에 해당하는 플로우를 선택하고, 상기 선택한 플로우의 내부 패킷의 애플리케이션 레이어 페이로드만을 필터링하는 것을 포함하며,상기 네트워크 트래픽 데이터의 플로우가 갖는 연속성을 가지지 않는 단일 패킷의 페이로드들만을 CNN 모델의 입력 데이터 세트로 적용하여, 패킷 구조, 패킷내의 각 영역의 의미를 파악할 필요가 없이, CNN 모델에 적용되는 데이터 세트의 이미지 크기 및 원소의 비트 크기를 각기 다르게 하여 학습을 수행하고, 그 결과를 토대로 패킷 단위의 이미지 크기에 따른 네트워크 트래픽 데이터의 분류를 처리하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류방법
|
| 7 |
7
청구항 6에 있어서,상기 네트워크 트래픽 분류방법은,가입자 측의 통신장치 또는 상기 통신장치에 접속되는 트래픽 모니터링 장치의 네트워크 트래픽 분류에 대한 쿼리 요청을 토대로 상기 통신장치에서 송수신되는 데이터 패킷을 상기 예측모델에 적용하여 네트워크 트래픽의 종류를 예측하는 예측 단계;를 더 포함하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류방법
|
| 8 |
8
삭제
|
| 9 |
9
청구항 6에 있어서,상기 학습 단계는,상기 데이터 변환 단계에서 패킷 단위의 이미지 형태로 변환한 데이터 세트를 상기 CNN 모델에 적용하여 학습을 진행할 때, 데이터 세트의 크기나 변환 형태를 고려하여 N×N의 2차원 컨볼루션 또는 1×N의 1차원 컨볼루션을 선택적으로 적용하며,상기 N은 2 이상의 정수로서, 컨볼루션을 수행할 때의 이미지 크기를 의미하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류방법
|
| 10 |
10
청구항 6에 있어서,상기 예측모델은,가입자 측의 통신장치에 접속되는 트래픽 모니터링 장치에 구비될 수 있으며,상기 통신장치에서 송수신되는 데이터 패킷을 입력으로 하여 네트워크 트래픽의 종류를 예측하는 것을 특징으로 하는 CNN을 활용한 패킷 페이로드 기반의 네트워크 트래픽 분류방법
|
