Графовые нейронные сети для классификации трафика в каналах спутниковой связи: сравнительный анализ

Обложка

Цитировать

Полный текст

Аннотация

В данной статье представлено всестороннее сравнение графовых нейронных сетей (GNN), в частности ‒ графовых сверточных сетей (GCN) и сетей внимания к графам (GAT), для классификации трафика в спутниковых коммуникационных каналах. Производительность этих методов, основанных на GNN, сравнивается с традиционными алгоритмами многослойного персептрона (MLP). Результаты показывают, что GNN обладают превосходной точностью и эффективностью по сравнению с MLP, что подчеркивает их потенциал для применения в системах спутниковой связи. Кроме того, в рамках исследования изучается влияние различных факторов на производительность алгоритма GNN, предоставляя информацию о наиболее эффективных стратегиях реализации GNN в задачах классификации трафика. Это исследование предлагает ценные знания о преимуществах и потенциальных применениях GNN в системах спутниковой связи.

Об авторах

Ф. Х. До

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: haodp@dau.edu.vn
ORCID iD: 0000-0003-0645-0021

Ч. Д. Ле

Университет науки и технологий – Университет Дананга

Email: letranduc@dut.udn.vn
ORCID iD: 0000-0003-3735-0314

А. А. Берёзкин

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: berezkin.aa@sut.ru
ORCID iD: 0000-0002-1748-8642

Р. В. Киричек

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: kirichek@sut.ru
ORCID iD: 0000-0002-8781-6840

Список литературы

  1. Rahmat-Samii Y., Densmore A. C. Technology trends and challenges of antennas for satellite communication systems // IEEE Transactions on Antennas and Propagation. 2014. Vol. 63. Iss. 4. PP. 1191‒1204.
  2. Kodheli O., Lagunas E., Maturo N., Sharma S.K., Shankar B., Montoya J.F.M., et al. Satellite Communications in the New Space Era: A Survey and Future Challenges // IEEE Communications Surveys & Tutorials. 2020. Vol. 23. Iss. 1. PP. 70‒109. doi: 10.1109/COMST.2020.3028247
  3. Yastrebova A., Kirichek R., Koucheryavy Y., Borodin A., Koucheryavy A., et al. Future Networks 2030: Architecture & Requirements // Proceedings of the 10th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT, Moscow, Russia, 05‒09 November 2018). IEEE, 2018. doi: 10.1109/ICUMT.2018.8631208
  4. Umar S., Eshiguike E.C., Anye V.C., Mamman T.V. Reliable Delivery of Point-To-Multi Point Services via Satellite (Multicast & Broadcast): Requirements and Solutions // International Research Journal of Advanced Engineering and Science. 2019. Vol. 4. Iss. 2. PP. 482‒486.
  5. Wang P., Zhang J., Zhang X., Yan Z., Evans B.G., Wang W. Convergence of Satellite and Terrestrial Networks: A Comprehensive Survey // IEEE Access. 2019. Vol. 8. P. 5550‒5588. doi: 10.1109/ACCESS.2019.2963223
  6. Chen S., Sun S., Kang S. System integration of terrestrial mobile communication and satellite communication—the trends, challenges and key technologies in B5G and 6G // China Communications. 2020. Vol. 17. Iss. 12. PP. 156‒171. doi: 10.23919/JCC.2020.12.011
  7. Abdu T.S., Kisseleff S., Lagunas E., Chatzinotas S. Flexible Resource Optimization for GEO Multibeam Satellite Communication System // IEEE Transactions on Wireless Communications. 2021. Vol. 20. Iss. 12. PP. 7888‒7902. doi: 10.1109/TWC.2021.3088609
  8. Niephaus C., Kretschmer M., Ghinea G. QoS Provisioning in Converged Satellite and Terrestrial Networks: A Survey of the State-of-the-Art // IEEE Communications Surveys & Tutorials. 2016. Vol. 18. Iss. 4. PP. 2415‒2441. doi: 10.1109/COMST.2016.2561078
  9. Zhou J., Cui G., Hu S., Zhang Z., Yang C., Liu Z., et al. Graph neural networks: A review of methods and applications // AI Open. 2020. Vol. 1. PP. 57‒81. doi: 10.1016/j.aiopen.2021.01.001
  10. He S., Xiong S., Ou Y., Zhang J., Wang J., Huang Y., et al. An Overview on the Application of Graph Neural Networks in Wireless Networks // IEEE Open Journal of the Communications Society. 2021. Vol. 2. PP. 2547‒2565. doi: 10.1109/OJCOMS.2021.3128637
  11. Suárez-Varela J., Almasan P., Ferriol-Galmes M., Rusek K., Geyer F., Cheng X., et al. Graph Neural Networks for Communication Networks: Context, Use Cases and Opportunities // IEEE Network. 2022. doi: 10.1109/MNET.123.2100773
  12. Ji X., Meng Q. Traffic Classification Based on Graph Convolutional Network // Proceedings of the International Conference on Advances in Electrical Engineering and Computer Applications (AEECA, Dalian, China, 25‒27 August 2020). IEEE, 2020. PP. 596‒601. doi: 10.1109/AEECA49918.2020.9213630
  13. Wang C., Tian R., Hu J., Ma Zhongyu, et al. A trend graph attention network for traffic prediction // Information Sciences. 2023. Vol. 623. PP. 275‒292. doi: 10.1016/j.ins.2022.12.048
  14. Wenjuan J., Peng Z. QoS routing algorithm based on traffic classification in LEO satellite networks // Proceedings of the Eighth International Conference on Wireless and Optical Communications Networks (Paris, France, 24‒26 May 2011). IEEE, 2011. doi: 10.1109/WOCN.2011.5872957
  15. Pacheco F., Exposito E., Gineste M. A Wearable Machine Learning Solution for Internet Traffic Classification in Satellite Communications // Proceedings of the 17th International Conference on Service-Oriented Computing (ICSOC 2019, Toulouse, France, 28–31 October 2019). Cham: Springer, 2019. PP. 202‒215. doi: 10.1007/978-3-030-33702-5_15
  16. Pacheco F., Exposito E., Gineste M. A framework to classify heterogeneous Internet traffic with Machine Learning and Deep Learning techniques for satellite communications. Computer Networks. 2020. Vol. 173. P. 107213. doi: 10.1016/j.comnet.2020.107213
  17. Pham V.D., Do P.H., Le D.T., Kirichek R. LoRa Link Quality Estimation Based on Support Vector Machine // Proceedings of the 24th International Conference on Distributed Computer and Communication Networks: Control, Computation, Communications (DCCN 2021, Moscow, Russia, 20–24 September 2021). Lecture Notes in Computer Science. Vol. 13144. Cham: Springer, 2021. PP. 92‒102. doi: 10.1007/978-3-030-92507-9_9
  18. Pang B., Fu Y., Ren S., Wang Y., Liao Q., Jia Y. CGNN: Traffic Classification with Graph Neural Network. arXiv:2110.09726. 2021. doi: 10.48550/arXiv.2110.09726
  19. Luksha I., Dinh T.D., Karelin E., Glushakov R., Kirichek R. Method for filtering encrypted traffic using a neural network between an Industrial Internet of things system and Digital Twin // Proceedings of the 5th International Conference on Future Networks & Distributed Systems (ICFNDS 2021, Dubai, United Arab Emirates, 15‒16 December 2021). New York: Association for Computing Machinery, 2021. PP. 595‒601. doi: 10.1145/3508072.3508193
  20. Huoh T.L., Luo Y., Li P., Zhang T. Flow-based Encrypted Network Traffic Classification with Graph Neural Networks // IEEE Transactions on Network and Service Management. 2022. doi: 10.1109/TNSM.2022.3227500
  21. Pang B., Fu Y., Ren S., Jia Y. High-performance Network Traffic Classification Based on Graph Neural Network // Proceedings of the 6th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC, Chongqing, China, 24‒26 February 2023). IEEE, 2023. PP. 800‒804. doi: 10.1109/ITNEC56291.2023.10082049
  22. Do P.H., Le T.D., Vishnevsky V., Berezkin A., Kirichek R. A Horizontal Federated-Learning Model for Detecting Abnormal Traffic Generated by Malware in IoT Networks // Proceedings of the 25th International Conference on Advanced Communication Technology (ICACT, Pyeongchang, Republic of Korea, 19‒22 February 2023). IEEE, 2023. PP. 28‒36. doi: 10.23919/ICACT56868.2023.10079624
  23. Vladimirov S., Kirichek R., Vishnevsky V. Network Coding for the Interaction of Unmanned Flying Platforms in Data Acquisition Networks // Proceedings of the 4th International Conference on Future Networks and Distributed Systems (ICFNDS, Saint-Petersburg, Russian Federation, 26‒27 November 2020). New York: Association for Computing Machinery, 2020. doi: 10.1145/3440749.3442622
  24. Abdrakhmanova M., Kuzdeuov A., Jarju S., Khassanov Y., Lewis M., Varol H.A. Speakingfaces: A Large-Scale Multimodal Dataset of Voice Commands with Visual and Thermal Video Streams // Sensors. 2021. Vol. 21. Iss. 10. P. 3465. doi: 10.3390/s21103465
  25. Labayen V., Magaña E., Morató D., Izal M. Online classification of user activities using machine learning on network traffic // Computer Networks. 2020. Vol. 181. P. 107557. doi: 10.1016/j.comnet.2020.107557
  26. Du B., Cai S., Wu C. Object Tracking in Satellite Videos Based on a Multiframe Optical Flow Tracker // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2019. Vol. 12. Iss. 8. PP. 3043‒3055. doi: 10.1109/JSTARS.2019.2917703
  27. Naas M., Fesl J. A novel dataset for encrypted virtual private network traffic analysis // Data in Brief. 2023. Vol. 47. P. 108945. doi: 10.1016/j.dib.2023.108945
  28. Hosseini N., Jamal H., Haque J., Magesacher T., Matolak D.W. UAV Command and Control, Navigation and Surveillance: A Review of Potential 5G and Satellite Systems // Proceedings of the IEEE Aerospace Conference (Big Sky, USA, 02‒09 March 2019). IEEE, 2019. doi: 10.1109/AERO.2019.8741719
  29. Mahfouz A., Abuhussein A., Venugopal D., Shiva S. Ensemble Classifiers for Network Intrusion Detection Using a Novel Network Attack Dataset // Future Internet. 2020. Vol. 12. Iss. 11. P. 180. doi: 10.3390/fi12110180
  30. Do P.H. Dinh T.D., Le D.T., Pham V.D., Myrova L., Kirichek R. An Efficient Feature Extraction Method for Attack Classification in IoT Networks // Proceedings of the 13th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT, Brno, Czech Republic, 25‒27 October 2021). IEEE, 2021. PP. 194‒199. doi: 10.1109/ICUMT54235.2021.9631726
  31. Ji X., Meng Q. Traffic Classification Based on Graph Convolutional Network // Proceedings of the International Conference on Advances in Electrical Engineering and Computer Applications (AEECA, Dalian, China, 25‒27 August 2020). IEEE, 2020. PP. 596‒601. doi: 10.1109/AEECA49918.2020.9213630
  32. Pham T.D., Ho T.L., Truong-Huu T., Cao T.D., Truong H.L. Mappgraph: Mobile-App Classification on Encrypted Network Traffic Using Deep Graph Convolution Neural Networks // Proceedings of the Annual Computer Security Applications Conference (ACSAC, 6‒10 December 2021). New York: Association for Computing Machinery, 2021. PP. 1025‒1038. doi: 10.1145/3485832.3485925
  33. Marín G., Caasas P., Capdehourat G. Deepmal-Deep Learning Models for Malware Traffic Detection and Classification // Proceedings of the 3rd International Data Science Conference on Data Science–Analytics and Applications (iDSC2020). Wiesbaden: Springer Vieweg, 2021. PP. 105‒112. doi: 10.1007/978-3-658-32182-6_16
  34. Kipf T.N., Welling M. Semi-Supervised Classification with Graph Convolutional Networks // arXiv:1609.02907. 2016. doi: 10.48550/arXiv.1609.02907
  35. Berezkin A., Kukunin D., Kirichek R. Neural Network Coding in Data Compression Systems in Communication Channels // Proceedings of the International Conference on Information, Control, and Communication Technologies (ICCT, Astrakhan, Russian Federation, 03‒07 October 2022). IEEE, 2022. doi: 10.1109/ICCT56057.2022.9976532

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».