FastFlow：利用最少时间序列数据包数量实现早期且稳健的网络流分类

《Proceedings of the ACM on Measurement and Analysis of Computing Systems》：FastFlow: Early Yet Robust Network Flow Classification using the Minimal Number of Time-Series Packets

网络流量分类方法FastFlow通过动态选择最小数据包数和LSTM强化学习模型，有效处理乱序数据并检测未知流量类型，实验显示其分类准确率达91.2%和96.3%。

　　

摘要

网络流量分类对网络运营商的日常工作至关重要，例如分析多媒体应用程序的使用模式和优化网络配置。提供高速连接的服务提供商（ISP）期望网络流量分类器能够尽早准确地对流量进行分类，并且使用的初始数据包数量尽可能少。这些分类器还必须能够抵抗候选流量中的数据包顺序异常（丢失和重传），并且能够检测到现有分类范围之外的未知流量类型，而现有方法在这方面做得并不好。在本文中，我们开发了FastFlow，这是一种时间序列流量分类方法，它可以准确地将网络流量分类为已知类型或未知类型，并动态选择最少的数据包数量以平衡准确性和效率。为了实现这些目标，我们首先开发了一种流量表示过程，该过程在每个数据包和每个时间槽的粒度上对数据包流进行处理，以获得对数据包顺序异常具有鲁棒性的精确数据包统计信息。其次，我们开发了一个基于序列决策的分类模型，该模型利用了通过强化学习训练的LSTM架构。我们的模型能够动态决定每个流量所需的最少时间序列数据点数量，从而自信地将流量分类为已知类型或未知类型。我们在公共数据集上评估了我们的方法，并证明了其在早期和准确流量分类方面的优越性能。我们讨论了在一个校园网络中，对2290万个流量进行分类的部署情况，这些流量来自7种应用程序类型和33个内容提供商，覆盖了一周的时间。结果表明，FastFlow平均只需要8.37个数据包和0.5秒就能以超过91%的准确率分类流量的应用程序类型，对于内容提供商来说，准确率超过96%。