Video streaming service identification using incremental learning on software-defined network

• Autorzy: Castañeda Herrera Luis Miguel , Campo Muñoz Wilmar Yesid , Duque-Torres Alejandra

Identyfikatory

DOI

10.15199/48.2022.08.17

Warianty tytułu

PL

Identyfikacja usługi przesyłania strumieniowego wideo za pomocą przyrostowego uczenia się w sieci definiowanej programowo

• Języki publikacji: EN

Abstrakty

EN

Software-defined networking (SDN) has emerged as a solution to the management challenges facing data networks today, including the identification of different types of services. Therefore, in this paper we present the classification of video streaming in SDN environments. Since, SDN enables the collection and extraction of patterns from traffic flows, through incremental ML algorithms to use classification models that identify video streaming. The results demonstrates that we can identify online video streaming traffic using the Adaptive Random Forest model (ARF).

PL

Sieć definiowana programowo (SDN) pojawiła się jako rozwiązanie problemów związanych z zarządzaniem, z jakimi borykają się współczesne sieci danych, w tym z identyfikacją różnych rodzajów usług. Dlatego w niniejszym artykule przedstawiamy klasyfikację strumieniowania wideo w środowiskach SDN. Ponieważ SDN umożliwia zbieranie i wyodrębnianie wzorców z przepływów ruchu za pomocą przyrostowych algorytmów ML w celu wykorzystania modeli klasyfikacji, które identyfikują strumieniowanie wideo. Wyniki pokazują, że możemy zidentyfikować ruch strumieniowy wideo online za pomocą modelu Adaptive Random Forest (ARF).

Słowa kluczowe

EN

incremental learning; SDN; traffic classification; video streaming

PL

uczenie przyrostowe; streaming; przesyłanie danych

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 8
• Strony: 89--94
• Opis fizyczny: Bibliogr. 22 poz., rys., tab.

Twórcy

autor

Castañeda Herrera Luis Miguel

• Faculty of Electronic Engineering and Telecommunications, PhD (c) program in Telematics Engineering. University of Cauca, Calle 5 Nº 4-70, Popayan, Cauca, Colombia

• https://orcid.org/0000-0002-0500-809

autor

Campo Muñoz Wilmar Yesid

• Faculty of Engineering, Electronic Engineering Program. University of Quindío, Carrera 15 con calle 12 norte, Armenia, Quindío, Colombia. Alejandra Duque-Torres

• https://orcid.org/0000-0001-8585-706X

autor

Duque-Torres Alejandra

• Institute of Computer Science. University of Tartu, Narva mnt 18, Tartu, Estonia

• https://orcid.org/0000-0002-1133-284X

Bibliografia

• [1] Castaneda Herrera, L. M., Duque Torres, A., Campo Munoz, W. Y., An Approach Based on Knowledge-Defined Networking for Identifying Video Streaming Flows in 5G Networks, IEEE LAT AM T., 19 (2021), No.10, 1737-1744.
• [2] Alhassan-Gedel, I., Nwulu, N I., A techno-economic comparison of 5G centralized wireless network architectures, Przegląd Elektrotechniczny., (2021), No. 5, 12–19.
• [3] Araujo, H., de Freitas, A., Prata, D., Casella, I., Capovilla, C., A Multiband Antenna Design Comprising the Future 5G Mobile Technology, Przegląd Elektrotechniczny., (2019), No.2, 108–111.
• [4] Kamil, N., Al-Nakkash, A., Wadday, A., Khaleel, A-D., Fractal Vicsek MIMO Antenna for LTE and 5G Applications, Przegląd Elektrotechniczny, (2021), No.10, 53–57.
• [5] Jansri, S. C., Phongcharoenpanich, C., Design of a Compact Wideband Circular Monopole Antenna for 5G Applications, Przegląd Elektrotechniczny., (2021), No.4, 9–12.
• [6] Bilski, T., New Challenges in Network Security, Przegląd Elektrotechniczny., (2016), No.12, 228–232.
• [7] Bagci, K. T., Sahin, K. E., Tekalp, A. M., Compete or Collaborate: Architectures for Collaborative DASH Video over Future Networks, IEEE Trans. Multimed., 19 (2017), No.10, 2152–2165.
• [8] Estrada-Solano, F., Ordonez, A., Granville, L. Z., Caicedo Rendon, O. M., A framework for SDN integrated management based on a CIM model and a vertical management plane, Comput. Commun., 102 (2017), 150–164.
• [9] Pekar, A., Duque-Torres, A., Seah, W.K.G. et al., KnowledgeDiscovery: Can It Shed New Light on Threshold Definition for Heavy-Hitter Detection?., J Netw Syst Manage., 29 (2021), No 3, https://doi.org/10.1007/s10922-021-09593-w.
• [10] Bakhshi, T., Multi-feature Enterprise Traffic Characterization in OpenFlow-based Software Defined Networks, Int. Conf. Front. Inf. Technol. FIT 2017., (2017), 23–28.
• [11] Li,Y., Li, J., MultiClassifier: A combination of DPI and ML for application-layer classification in SDN, 2014 2nd Int. Conf. Syst. Informatics ICSAI., (2014), 682–686, Jan. 2015.
• [12] Castaneda Herrera, L. M., Duque Torres, A., Campo Munoz, W. Y., Video Streaming Service Identification on Software-Defined Networking, Int. J. Comput. Commun. Control., 16 (2021), No. 5, 1-13.
• [13] Yang, B., Liu, D., Research on network traffic identification based on machine learning and deep packet inspection, Proc. 2019 IEEE 3rd Inf. Technol. Networking, Electron. Autom. Control Conf. ITNEC., (2019), 1887–1891.
• [14] Noorbehbahani, F., Mansoori, S., A new semi-supervised method for network traffic classification based on X-means clustering and label propagation, 2018 8th Int. Conf. Comput. Knowl. Eng. ICCKE., (2018), 120–125.
• [15] Dias, K. L., Pongelupe, M. A., Caminhas, W. M., de Errico, L., An innovative approach for real-time network traffic classification, Comput. Networks, 158 (2019), 143–157.
• [16] Grabs, E., Petersons, E., Ipatovs, A., Chulkovs, D., Supervised Machine Learning based Classification of Video Traffic Types, Proc. 2020 24th Int. Conf. Electron. Electron., (2020).
• [17] Parsaei, M. R., Sobouti, M. J., khayami, S. R., Javidan, R., Network Traffic Classification using Machine Learning Techniques over Software Defined Networks, Int. J. Adv. Comput. Sci. Appl., 8 (2017), No. 7.
• [18] Owusu, A. I., Nayak, A., An Intelligent Traffic Classification in SDN-IoT: A Machine Learning Approach, 2020 IEEE Int. Black Sea Conf. Commun. Networking, BlackSeaCom., (2020).
• [19] Aouini, Z., Pekar, A., NFStream: A flexible network data analysis framework, Comput. Networks., 204 (2022), p. 108719, https://doi.org/10.1016/j.comnet.2021.108719.
• [20] Montiel, J., Read, J., Bifet, A., Abdessalem, T., Scikit-multiflow: A Multi-output Streaming Framework, J. Mach. Learn. Res., 19 (2018).
• [21] Estrada-Solano, F., Caicedo, O. M., Da Fonseca, N. L. S., NELLY: Flow Detection Using Incremental Learning at the Server Side of SDN-Based Data Centers, IEEE Trans. Ind. Informatics., 16 (2020), No. 2, 1362–1372.
• [22] Wang, W., Sun, Y., Salamatian, K., Li, Z., Adaptive Path Isolation for Elephant and Mice Flows by Exploiting Path Diversity in Datacenters, IEEE Trans. Netw. Serv. Manag., 13 (2016), No. 1, 5–18.

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).