Key points are not available for this paper at this time.
يصبح تصنيف حركة مرور الشبكة باستخدام تحليل يعتمد على المنفذ أو على الحمولة أمرًا صعبًا بشكل متزايد مع استخدام العديد من تطبيقات النظير إلى النظير (P2P) أرقام منافذ ديناميكية وتقنيات تقنعية وتشفير لتجنب الاكتشاف. نهج بديل هو تصنيف حركة المرور من خلال استغلال الخصائص المميزة للتطبيقات عند تواصلها على الشبكة. نتبع هذا النهج الأخير ونظهر كيف يمكن استخدام تحليل المجموعات بشكل فعال لتحديد مجموعات من حركة المرور المتشابهة باستخدام إحصاءات طبقة النقل فقط. تأخذ أعمالنا بعين الاعتبار خوارزميتين للتجميع غير الخاضع للإشراف، وهما K-Means و DBSCAN، اللتين لم تُستخدم سابقًا في تصنيف حركة مرور الشبكة. نقوم بتقييم هاتين الخوارزميتين ونقارن بينهما وبين خوارزمية AutoClass المستخدمة سابقًا، باستخدام بيانات تجريبية من الإنترنت. تظهر النتائج التجريبية أن كل من K-Means و DBSCAN يعملان بشكل جيد للغاية وبسرعة أكبر بكثير من AutoClass. تشير نتائجنا إلى أنه على الرغم من أن DBSCAN لديه دقة أقل مقارنة بـ K-Means و AutoClass، إلا أن DBSCAN ينتج مجموعات أفضل.
قام إيرمان وزملاؤه (مون) بدراسة هذا السؤال.