Work

Machine Learning-Based Internet Traffic Classification from a Cybersecurity Perspective

Year: 2026
Type: dissertation
Abstract: Internet-liikenteen luokittelu on tärkeä osa verkkojen valvontaa ja tietoturvaa, mutta salauksen yleistyminen ja verkkoliikenteen jatkuva muuttuminen vaikeuttavat portteihin ja pakettien sisältöön perustuvaa tunnistamista. Tämän kandidaatintyön tavoitteena oli selvittää, miten koneoppimista voidaan hyödyntää Internet-liikenteen luokittelussa tietoturvan näkökulmasta, miten luokittelua voidaan käyttää tietoturvan tukena ja millaisia rajoitteita menetelmiin liittyy. Työssä tarkasteltiin aikaisempaa tutkimusta valvotusta ja valvomattomasta oppimisesta sekä syväoppimisesta. Tarkastelu kohdistui erityisesti sovellus- ja protokollaliikenteen luokitteluun, poikkeavan liikenteen havaitsemiseen ja haitallisen liikenteen tunnistamiseen sekä niissä käytettäviin liikennepiirteisiin ja aineistoihin. Tarkastelun perusteella koneoppiminen mahdollistaa liikenteen luokittelun myös silloin, kun salaus estää pakettien hyötykuorman suoran tarkastelun. Luokittelussa voidaan hyödyntää esimerkiksi pakettien kokoja ja suuntia, ajoitusta, yhteyksien kestoa sekä liikennevirtojen tilastollisia ominaisuuksia. Luokittelutieto voi tukea verkon valvontaa auttamalla tunnistamaan sovelluksia, normaalista poikkeavaa käyttäytymistä ja mahdollisesti haitallista liikennettä. Yhtä yleisesti parasta menetelmää ei kuitenkaan voida nimetä, sillä mallien suorituskyky riippuu käytetystä aineistosta, piirteistä ja luokittelutehtävästä. Syväoppiminen voi vähentää käsin tehtävän piirteiden muodostamisen tarvetta, mutta myös perinteiset koneoppimismenetelmät voivat olla kilpailukykyisiä. Keskeisiksi käytännön haasteiksi tunnistettiin aineiston laatu ja edustavuus, verkkoliikenteen muuttuminen ajan myötä, uudet ja tarkoituksellisesti muokatut hyökkäykset, salausprotokollien kehittyminen sekä mallien selitettävyys ja laskennalliset vaatimukset. Työn keskeinen johtopäätös on, että koneoppimispohjaista liikenteen luokittelua ei tule arvioida pelkän luokittelutarkkuuden perusteella. Myös yleistettävyys, kestävyys, käsittelynopeus ja ylläpidettävyys vaikuttavat siihen, kuinka luotettavasti menetelmää voidaan hyödyntää todellisissa ja muuttuvissa verkkoympäristöissä.
Institution: Aalto University
Language: Finnish
Open Access status: green
OpenAlex ID: W7213389950
Cites: 30
Cited by:
Related to: 10