$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

TMA(Traffic Measurement Agent)를 이용한 인터넷 응용 트래픽 분류1)
Internet Application Traffic Classification using Traffic Measurement Agent 원문보기

한국정보처리학회 2008년도 제29회 춘계학술발표대회, 2008 May 16, 2008년, pp.946 - 949  

윤성호 (고려대학교 컴퓨터정보학과) ,  노현구 (고려대학교 컴퓨터정보학과) ,  김명섭 (고려대학교 컴퓨터정보학과)

초록
AI-Helper 아이콘AI-Helper

네트워크를 사용하는 응용프로그램의 종류가 다양해지면서 네트워크 트래픽의 응용별 분류는 효율적인 네트워크 관리에 있어 그 중요성이 커지고 있지만, 오늘날 응용프로그램의 특징인 유동적인 포트번호 사용 및 패킷의 암호화 등은 트래픽의 응용별 분류를 더욱 어렵게 하고 있다. Well-known 포트기반의 응용별 분류방법의 단점을 극복하기 위하여 머신러닝 알고리즘과 Signature 기반 분석 방법들이 연구되고는 있지만 주장하는 높은 분석률에 비하여 실제 네트워크 트래픽에 적용하기에는 신뢰성이 부족하다. 본 논문에서는 일부 종단 호스트에 설치된 TMA(Traffic Measurement Agent)로 부터 수집한 응용프로그램의 트래픽 사용 정보를 기초로 하여 전체 네트워크 트래픽의 응용프로그램을 판별하는 응용 트래픽 분류 방법론을 제안한다. 제안된 방법론은 트래픽 플로우들의 상관관계를 이용하여 TMA 호스트 트래픽으로부터 TMA가 설치되지 않은 호스트에서 발생한 트래픽들의 응용을 판단하며, 분류 된 결과에 대하여 높은 신뢰성을 보장한다. 제안된 방법론은 학내 네트워크에 적용하여 그 타당성을 검증하였다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 기존 연구의 방법론이 실제 네트워크에 적용되었을 경우, 분석의 정확도를 검증하지 못하는 문제를 해결하기 위하여 대상 네트워크 내부의 일부 종단 호스트에 응용 프로그램의 트래픽 사용 정보를 모니터링 하기 위한 TMA(Traffic Measurement Agent)를 설치하고 이로부터 수집한 정보를 바탕으로 전체 네트워크 트래픽을 응용프로그램으로 판별하는 트래픽 분류방법을 제안한다. 즉, TMA가 설치된 일부 호스트를 이용하여 전체 네트워크 트래픽을 분석하는 것이다.
  • 즉, TMA가 설치된 일부 호스트를 이용하여 전체 네트워크 트래픽을 분석하는 것이다. 본 논문에서는 응용별 트래픽 분류를 트래픽을 발생시킨 응용프로그램의 이름을 기준으로 분류하는 것으로 정의한다. 이를 위하여 응용프로그램을 서비스 단위로 묶어 트래픽 분류 기준을 정의하였고, 이 기준에 따라 실제 트래픽에서 분석한다.
  • 제안된 방법론은 기존 연구에서 초점을 맞춘 분석률의 향상 보다는 분석된 트래픽의 정확도에 초점을 맞추었다. 본 논문에서는 학내 인터넷 트래픽을 대상으로 제안된 방법론의 타당성을 검증하였다.
  • 본 연구에서는 TMA를 이용한 TCA과 이를 이용한 실제 플로우 분석결과를 소개하였다. 3.
  • 본 논문에서는 기존 연구의 방법론이 실제 네트워크에 적용되었을 경우, 분석의 정확도를 검증하지 못하는 문제를 해결하기 위하여 대상 네트워크 내부의 일부 종단 호스트에 응용 프로그램의 트래픽 사용 정보를 모니터링 하기 위한 TMA(Traffic Measurement Agent)를 설치하고 이로부터 수집한 정보를 바탕으로 전체 네트워크 트래픽을 응용프로그램으로 판별하는 트래픽 분류방법을 제안한다. 즉, TMA가 설치된 일부 호스트를 이용하여 전체 네트워크 트래픽을 분석하는 것이다. 본 논문에서는 응용별 트래픽 분류를 트래픽을 발생시킨 응용프로그램의 이름을 기준으로 분류하는 것으로 정의한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
정확한 트래픽의 분석을 위해 중요한 것은? 정확한 트래픽의 분석을 위해서는 그 시간대의 응용프로그램이 사용하는 IP port의 실제 프로세스 정보를 수집하는 것이 중요하다. 이를 위해 TMA를 네트워크 내의 종단 호스트들에 설치해서 분석에 필요한 데이터를 수집한다.
기존의 well-known 포트 기반의 응용별 분류방법의 단점을 극복하기 위해 연구되고 있는 것은? 그러나 오늘날 많은 응용프로그램들이 유동적인 포트번호를 사용하고 패킷을 암호화하여 전송하고 있어 네트워크 트래픽의 응용별 분류는 쉬운 문제가 아니다. 기존의 well-known 포트 기반의 응용별 분류방법의 단점을 극복하기 위하여 머신 러닝 알고리즘[1]과 Signature[2] 기반 방법들이 연구되고는 있지만 그들이 주장하는 높은 분석률에 비하여 실제 네트워크 트래픽에 적용하기에는 여러 가지로 부족하다. 이는 시간과 장소에 따라 다양한 트래픽 특성을 보이는 네트워크 환경에 제안된 방법론을 일괄적으로 적용할 수 없고, 일단 적용되었다 하더라도 응용별 분류 결과를 검증할 수 없어 신뢰도를 예측하기 어렵기 때문이다.
머신 러닝 알고리즘 및 시그니처 기반 방법을 실제 네트워크 트래픽에 적용하기 어려운 이유는? 기존의 well-known 포트 기반의 응용별 분류방법의 단점을 극복하기 위하여 머신 러닝 알고리즘[1]과 Signature[2] 기반 방법들이 연구되고는 있지만 그들이 주장하는 높은 분석률에 비하여 실제 네트워크 트래픽에 적용하기에는 여러 가지로 부족하다. 이는 시간과 장소에 따라 다양한 트래픽 특성을 보이는 네트워크 환경에 제안된 방법론을 일괄적으로 적용할 수 없고, 일단 적용되었다 하더라도 응용별 분류 결과를 검증할 수 없어 신뢰도를 예측하기 어렵기 때문이다.
질의응답 정보가 도움이 되었나요?

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로