Deep learning for network traffic : classification, generation and compression
Apprentissage profond pour le trafic réseau : classification, génération et compression
Résumé
The proposed thesis focuses on the application of deep learning to the network infrastructures of smart cities. With the constant evolution of the Internet of Things (IoT), smart cities have emerged as an important research domain. IoT networks are at the heart of these smart cities, providing a means of collecting data from a large number of sensors distributed throughout the city. However, current network infrastructures are not adapted to the quantity and variety of data generated by the IoT, making the analysis of this data difficult. In this thesis, we explore three axes of improvement for the network infrastructures of smart cities: encrypted network traffic classification, network traffic generation, and IoT packet header compression. In the first axis, we proposed a new deep learning architecture, called Servername Protocol Packet Network (SPPNet), for the classification of encrypted network traffic. Encrypted network traffic data is nowadays massively used in network communications. The classification of this data can greatly improve the quality of service and thus the operation of networks. After showing the limitations of current approaches, we propose a proof of concept and study its advantages and limitations with respect to encrypted traffic. In the second axis, we proposed a deep learning architecture, called Network Clustering Sequential Traffic Generation (NeCSTGen), for network traffic generation. Realistic network traffic generation is important for sizing network infrastructures for smart cities. NeCSTGen can generate network traffic in a consistent and realistic manner. Moreover, unlike current approaches, NeCSTGen is adaptive and can run on all types of protocols. In the third axis, we proposed a deep learning architecture, called Deep Compression Header (DCH), for IoT network packet header compression. IoT network packet headers are often large compared to the data carried. This limitation leads to loss of bandwidth and increased battery consumption. In addition, the variety of current protocols makes the adaptation of compression techniques complex. To address these limitations, we propose DCH a deep learning approach for universal IoT network packet header compression. DCH has been implemented on IoT devices to enable compression directly on them. The proposed approaches have been experimentally evaluated, showing superior performance compared to current approaches. These results are promising for the application of deep learning to smart city network infrastructures.
La thèse proposée se concentre sur l'application de l'apprentissage profond aux infrastructures réseaux des villes intelligentes. Avec l'évolution constante de l'Internet des Objets (IoT), les villes intelligentes ont émergé comme un domaine de recherche important. Les réseaux IoT sont au coeur de ces villes intelligentes, fournissant un moyen de collecter des données à partir d'un grand nombre de capteurs répartis dans la ville. Cependant, les infrastructures de réseau actuelles ne sont pas adaptées à la quantité et à la variété des données générées par l'IoT, ce qui rend l'analyse de ces données difficile. Dans cette thèse, nous explorons trois axes d'amélioration pour les infrastructures réseaux des villes intelligentes~:~la classification de trafic réseau chiffré, la génération de trafic réseau et la compression d'en-têtes de paquet réseau IoT. Dans le premier axe, nous proposons une nouvelle architecture d'apprentissage profond, nommée Servername Protocol Packet Network (SPPNet), pour la classification de trafic réseau chiffré. Les données de trafic réseau chiffré sont aujourd'hui massivement utilisées dans les communications au sein des réseaux. La classification de ces données peut améliorer grandement la qualité de service et donc le fonctionnement des réseaux. Après avoir montré les limites des approches actuelles, nous proposons une preuve de concept et nous étudions ses avantages et les limites de cette architecture face au trafic chiffré. Dans le deuxième axe, nous proposons une architecture d'apprentissage profond, nommée Network Clustering Sequential Traffic Generation (NeCSTGen), pour la génération de trafics réseaux. La génération de trafics est importante pour le dimensionnement des infrastructures réseaux des villes intelligentes. NeCSTGen peut générer du trafic réseau de manière cohérente et réaliste. De plus, contrairement aux approches actuelles, NeCSTGen est adaptatif et peut fonctionner sur tous les types de protocoles. Dans le troisième axe, nous proposons une architecture d'apprentissage profond, nommée Deep Compression Header (DCH), pour la compression d'en-têtes de paquets réseau IoT. Les en-têtes des paquets réseau IoT sont souvent volumineux par rapport aux données véhiculées. Cette limite entraîne une perte de la bande passante et une augmentation de la consommation de la batterie. De plus, la variété des protocoles actuels rend l'adaptation des techniques de compression complexe. Pour remédier à ces limites, nous proposons DCH une approche par apprentissage profond permettant la compression universelle d'en-têtes de paquets réseau IoT. DCH a été implémentée sur des équipements IoT pour permettre une compression directement sur ceux-ci. Les approches proposées ont été évaluées expérimentalement, montrant des performances supérieures à celles des approches actuelles. Ces résultats sont prometteurs pour l'application de l'apprentissage profond aux infrastructures réseaux des villes intelligentes.
| Origine | Version validée par le jury (STAR) |
|---|