1 |
1
네트워크에 접속하는 네트워크 인터페이스 및 상기 네트워크 인터페이스에 연결되는 프로세서를 포함하는 네트워크 트래픽 분류 장치에서의 네트워크 트래픽 분류 방법에서,상기 프로세서에서, 상기 네트워크 인터페이스를 통해 수집된 네트워크 트래픽 데이터를 정제하는 단계;상기 프로세서에서, 상기 정제된 네트워크 트래픽 데이터를 이미지 데이터로 구성된 데이터 세트로 변환하는 단계;상기 프로세서에서, 상기 데이터 세트를 학습하여 RNN(Recurrent Neural Networks) 모델을 생성하는 단계; 및상기 프로세서에서, 상기 네트워크에 접속된 네트워크 장비에서 송수신하는 데이터 플로우를 상기 생성된 RNN 모델을 이용하여 상기 데이터 플로우에 대한 네트워크 트래픽의 종류를 분류하는 단계를 포함하는 네트워크 트래픽 분류 방법
|
2 |
2
제1항에서, 상기 네트워크 트래픽 데이터를 정제하는 단계는,상기 네트워크 트래픽 데이터를 파싱하여 응용 서비스별 플로우 정보를 획득하고, 획득한 플로우 정보를 기반으로 응용 서비스별 플로우의 개수 중에서 기준 개수 이상의 플로우의 개수를 갖는 응용 서비스를 선택하는 단계;상기 선택된 응용 서비스의 플로우에 포함된 다수의 패킷들을 추출하는 단계;상기 다수의 패킷들로부터 다수의 페이로드를 추출하는 단계; 및상기 추출된 다수의 페이로드를 상기 정제된 네트워크 트래픽 데이터로서 생성하는 단계를 포함하는 네트워크 트래픽 분류 방법
|
3 |
3
제2항에서, 상기 다수의 패킷들을 추출하는 단계는,상기 선택된 응용 서비스 내의 플로우에 포함된 다수의 패킷들을 시간 순서로 정렬하는 단계; 및상기 시간 순서로 정렬된 다수의 패킷들 중에서 플로우의 구조적 특징의 검색 확률이 높은 상위 N개의 패킷들을 상기 다수의 패킷들로서 추출하는 단계를 포함하는 네트워크 트래픽 분류 방법
|
4 |
4
제1항에서, 상기 네트워크 트래픽 데이터는, PCAP(Packet capture) 파일인 것인 네트워크 트래픽 분류 방법
|
5 |
5
제1항에서, 상기 데이터 세트로 변환하는 단계는,그레이 스케일과 상기 네트워크 트래픽 데이터를 정제하는 단계에서 추출된 페이로드 간의 맵핑 관계를 규정한 데이터 변환 규칙을 기반으로, 상기 정제된 네트워크 트래픽 데이터를 상기 데이터 세트로 변환하는 단계인 것인 네트워크 트래픽 분류 방법
|
6 |
6
제1항에서, 상기 데이터 세트로 변환하는 단계는,상기 네트워크 트래픽 데이터를 정제하는 단계에서 추출된 페이로드를 구성하는 비트들을 특정 비트 단위로 분할하여, 다수의 비트 그룹을 생성하는 단계;상기 다수의 비트 그룹들을 그레이 스케일과 상기 페이로드 간의 맵핑 관계를 규정한 데이터 변환 규칙에 따라 변환하여 다수의 그레이 데이터를 생성하는 단계; 및상기 다수의 그레이 데이터를 원소로 하는 매트릭스 형태의 상기 데이터 세트를 생성하는 단계를 포함하는 네트워크 트래픽 분류 방법
|
7 |
7
제1항에서, 상기 RNN 모델을 생성하는 단계는,상기 데이터 세트를 기계 학습으로 학습하여 상기 데이터 세트와 네트워크 트래픽의 종류 간의 관계를 예측하는 상기 RNN 모델을 생성하는 단계인 것인 네트워크 트래픽 분류 방법
|
8 |
8
네트워크에 접속하는 네트워크 인터페이스 및 상기 네트워크 인터페이스에 연결되는 프로세서를 포함하는 네트워크 트래픽 분류 장치에서,네트워크 접속하여 네트워크 트래픽 데이터를 수집하는 네트워크 인터페이스;상기 네트워크 트래픽 데이터를 필터링하여 다수의 페이로드를 추출하고, 상기 추출된 다수의 페이로드를 이미지 패턴으로 표현되는 데이터 세트로 변환하고, 상기 데이터 세트를 학습하여 RNN(Recurrent Neural Networks) 모델을 생성하는 프로세서; 및상기 프로세서에 의해 생성된 상기 RNN 모델을 저장하는 저장소를 포함하는 네트워크 트래픽 분류 장치
|
9 |
9
제8항에서, 상기 프로세서는,상기 네트워크에 접속된 네트워크 장비에서 송수신하는 데이터 플로우를 상기 저장소에 저장된 RNN 모델을 이용하여 상기 데이터 플로우에 대한 네트워크 트래픽의 종류를 분류하는 것인 네트워크 트래픽 분류 장치
|
10 |
10
제8항에서, 상기 프로세서는,상기 네트워크 트래픽 데이터를 파싱하여 응용 서비스별 플로우 정보를 획득하고, 획득한 플로우 정보를 기반으로 응용 서비스별 플로우의 개수 중에서 기준 개수 이상의 상기 플로우의 개수를 갖는 응용 서비스를 선택하고, 상기 선택된 응용 서비스의 플로우에 포함된 다수의 패킷들을 추출하고, 상기 다수의 패킷들로부터 상기 다수의 페이로드를 추출하는 것인 네트워크 트래픽 분류 장치
|
11 |
11
제10항에서, 상기 프로세서는, 상기 선택된 응용 서비스의 플로우 내에 포함된 다수의 패킷들을 시간 순서로 정렬하고, 상기 시간 순서로 정렬된 다수의 패킷들 중에서 플로우의 구조적 특징의 검색 확률이 높은 상위 N개의 패킷들을 상기 다수의 패킷들로서 추출하는 것인 네트워크 트래픽 분류 장치
|
12 |
12
제8항에서, 상기 네트워크 트래픽 데이터는,PCAP(Packet capture) 파일인 것인 네트워크 트래픽 분류 장치
|
13 |
13
제8항에서, 상기 프로세서는,상기 이미지 패턴을 표현하는 그레이 스케일과 페이로드 간의 맵핑 관계를 규정한 데이터 변환 규칙을 기반으로, 상기 추출된 다수의 페이로드를 이미지 패턴으로 표현되는 데이터 세트로 변환하는 것인 네트워크 트래픽 분류 장치
|
14 |
14
제13항에서, 상기 저장소는,상기 데이터 변환 규칙을 저장하는 것인 네트워크 트래픽 분류 장치
|
15 |
15
제8항에서, 상기 프로세서는,상기 다수의 페이로드 각각을 구성하는 비트들을 특정 비트 단위로 분할하여, 다수의 비트 그룹을 생성하고, 상기 다수의 비트 그룹들을 그레이 스케일과 페이로드 간의 맵핑 관계를 규정한 데이터 변환 규칙에 따라 변환하여 다수의 그레이 데이터를 생성하고, 상기 다수의 그레이 데이터를 원소로 하는 매트릭스 형태의 상기 데이터 세트를 생성하는 것인 네트워크 트래픽 분류 장치
|
16 |
16
제8항에서, 상기 프로세서는, 상기 데이터 세트를 기계 학습으로 학습하여 상기 데이터 세트와 네트워크 트래픽의 종류 간의 관계를 예측하는 상기 RNN 모델을 생성하는 것인 네트워크 트래픽 분류 장치
|