ISSN: 2319-7293
P.Kumaraguru, V.R.Prakash y M.Abraham
El área de la clasificación del tráfico de Internet ha avanzado rápidamente en los últimos años debido a un aumento dramático en el número y variedad de aplicaciones que se ejecutan a través de Internet. Estas aplicaciones incluyen www, correo electrónico, P2P, multimedia, aplicaciones FTP, juegos, etc. Dado que las técnicas tradicionales de clasificación del tráfico de Internet se vuelven ineficaces para ciertas aplicaciones complicadas que utilizan un número de puerto dinámico en lugar de un número de puerto conocido y varias técnicas de cifrado para evitar la detección por un tercero no autorizado, por lo que se desarrollan técnicas de Machine Learning (ML) para manejar tales problemas en la clasificación del tráfico de Internet. Las redes neuronales también son una de las técnicas importantes de ML. En este documento, las redes neuronales de función de base radial (RBFNN) se emplean para la clasificación del tráfico de Internet, que es un tipo de red neuronal de avance de múltiples capas. En este trabajo de investigación, el rendimiento de RBFNN se analiza en función de la precisión, el recuerdo, la cantidad de neuronas de capa oculta y el tiempo de entrenamiento de la red utilizando un conjunto de datos de características grandes y un conjunto de datos de características reducido. Este análisis experimental muestra que RBFNN es una técnica eficiente para la clasificación del tráfico de Internet sin conexión también para conjuntos de datos de características reducidas.