Джулій , В.М.В.М.ДжулійМірошніченко , О.В.О.В.МірошніченкоСолодєєва , Л.В.Л.В.Солодєєва2026-06-162026-06-162022Джулій, В., Мірошніченко, О., Солодєєва, Л. (2022). METHOD OF CLASSIFICATION OF APPLICATIONS TRAFFIC OF COMPUTER NETWORKS ON THE BASIS OF MACHINE LEARNING UNDER UNCERTAINTY. Збірник наукових праць Військового інституту Київського національного університету імені Тараса Шевченка(74), 73–82. https://doi.org/10.17721/2519-481X/2022/74-0710.17721/2519-481X/2022/74-07https://ir.library.knu.ua/handle/15071834/23520The paper proposes a method for classifying applications of computer network traffic based on machine learning in conditions of uncertainty. Modern methods of classification of computer network traffic applications (such as the classification of transport layer protocols by port numbers) have significant shortcomings, which leads to and is the reason for the growth of research in the direction of classification of computer network traffic applications. The rapid growth in recent years of the types and number of transport layer network protocols increases the relevance of research in this area, the development of appropriate algorithms and methods for classifying applications of computer network traffic, which reduce computational complexity. At the present stage, the problem that needs to be urgently addressed is the classification of computer network traffic applications using appropriate protocols and encryption algorithms.A promising area of classification of computer network traffic applications is statistical methods, which are based on the analysis and identification of statistical characteristics of IP traffic. The most promising are the intellectual analysis of data flow, as well as machine learning technologies, which are currently widely used in related fields of science. The problem of research and training according to precedents is solved - classification of computer network traffic applications on the basis of pre-known set of attributes of their features, in order to improve the technical base of computer networks and theoretical base, while ensuring high performance and quality networks. example of using transport layer protocols (TCP / IP stack). The result of solving this problem is to assign the application, in accordance with the rules of the educational sample, to one of the outstanding classes, which are predetermined, which contains the relevant, but already classified applications. Statistical analysis and research of the attributes of Internet applications showed that the most important attributes associated with changes in the volume of Internet traffic flow are exponential. Fisher's criterion can be used to calculate anomalous changes in the amount of Internet traffic of applications to calculate averages.To classify Internet applications in data streaming mode, an algorithm for detecting the offset of the concept (drift) of data flow traffic is proposed for continuous data flow. Fisher's drift detector is based on the statistical characteristics of the attributes of Internet applications, analyzed using slidingУ роботі запропоновано метод класифікації додатків трафіка комп'ютерних мереж на основі машинного навчання в умовах невизначеності. Сучасні методи класифікація додатків трафіка комп'ютерних мереж (таких, як класифікація протоколів транспортного рівня за номерами портів) мають суттєві недоліки, що призводить і є причиною до зростання проведення досліджень в напрямку класифікація додатків трафіка комп'ютерних мереж. Стрімке зростання, за останні роки, типів та кількості мережевих протоколів транспортного рівня підвищують актуальність дослідження в даному напрямку, розробки відповідних алгоритмів та методів класифікації додатків трафіка комп'ютерних мереж, які забезпечують при цьому зниження обчислювальної складності. На сучасному етапі, задача, яка потребує термінового вирішення - класифікації додатків трафіка комп'ютерних мереж з використанням відповідних протоколів та алгоритмів шифрування.Перспективним напрямком класифікації додатків трафіка комп'ютерних мереж є статистичні методи, які опираються на аналізі та виявленні статистичних характеристик ІР-трафіка. Найбільш перспективними є інтелектуальний аналіз потоку даних, а також технології машинного навчання, які на сучасному етапі широко використовуються в суміжних областях науки. Вирішується задача дослідження та навчання по прецедентах - класифікація додатків трафіка комп'ютерних мереж на основі зазделегідь відомої сукупності атрибутів їх ознак, з метою вдосконалення технічної бази комп'ютерних мереж, а також теоретичної бази, при цьому забезпечення високих експлуатаційних та якісних показників мереж, на прикладі використання протоколів транспортного рівня (стека TCP/IP). Результат вирішення поставленої задачі полягає у віднесенні додатка, відповідно до правил навчальної вибірки, до одного з непересічних класів, які заздалегідь визначенні, який містить відповідні, але при цьому вже класифіковані додатки.Статистичний аналіз та дослідження атрибутів інтернет додатків показав, що найважливіші атрибути, пов'язані зі зміною об’єму інтернет трафіка потоку даних, мають експоненційний вигляд. Для виявлення аномальних змін об’єму інтернет трафіка додатків для розрахунку середніх значень може бути використаний критерій Фішера. Для класифікації інтернет додатків у потоковому режимі даних, при безперервному надходженні потоку даних запропоновано алгоритм виявлення зміщення концепту (дрейфа) трафіка потоку даних. Детектор дрейфа Фішера базується на статистичних характеристиках атрибутів інтернет додатків, аналізуються з використанням ковзаючих вікон, які контролюють зміну трафіка поточних статистичних характеристик атрибутів додатків.ukmodelsapplication classificationcomputer networksdrifttrafficsliding windowmachine learningмоделікласифікація додатківкомп'ютерні мережідрейфтрафікковзаюче вікномашинне навчанняСтаття