Luận văn Thạc sĩ: Phân loại lưu lượng mạng Internet dùng Machine Learning

Phân loại lưu lượng mạng Internet đóng vai trò thiết yếu trong việc quản lý bảo mật và đảm bảo chất lượng dịch vụ (QoS). Tuy nhiên, các phương pháp truyền thống như phân loại dựa trên giao thức (TCP/IP), cổng (port-based) hay kiểm tra gói chuyên sâu (DPI) đang đối mặt với nhiều thách thức do sự phức tạp của mạng hiện đại, bao gồm việc sử dụng cổng động, VPN và mã hóa. Nhằm khắc phục những hạn chế này, các phương pháp học máy (Machine Learning – ML) đã nổi lên như một giải pháp hiệu quả. ML sử dụng các công cụ phân loại thống kê để xây dựng mô hình từ dữ liệu đã được gán nhãn, có khả năng xử lý thông tin phức tạp với độ chính xác cao. Việc ứng dụng ML trong phân loại lưu lượng mạng Internet đang trở thành xu hướng quan trọng, mở ra tiềm năng lớn cho các lĩnh vực ứng dụng khác nhau.

Các nhà nghiên cứu, kỹ sư mạng, chuyên gia bảo mật và sinh viên trong lĩnh vực khoa học máy tính, mạng máy tính và hệ thống thông tin, đặc biệt những người quan tâm đến ứng dụng học máy trong phân tích và quản lý lưu lượng mạng.

Nghiên cứu này tập trung vào việc khắc phục những hạn chế cố hữu của các phương pháp phân loại lưu lượng mạng Internet truyền thống như dựa trên cổng hay kiểm tra gói chuyên sâu (DPI), đặc biệt trong môi trường mạng hiện đại với sự phổ biến của cổng động, VPN và mã hóa. Đề tài đề xuất và khám phá tiềm năng của các phương pháp học máy (Machine Learning – ML) như một giải pháp hiệu quả và chính xác hơn. Luận văn trình bày một cách tiếp cận toàn diện, bắt đầu bằng các kỹ thuật tiền xử lý dữ liệu quan trọng, bao gồm chuẩn hóa (như Min-Max, Trung bình và Z-score) để đảm bảo các đặc trưng đóng góp đồng đều vào mô hình, cùng với các phương pháp xử lý dữ liệu bị khuyết và mã hóa dữ liệu phân loại (Label Encoding, One-hot Encoding). Nghiên cứu đặc biệt đi sâu vào việc ứng dụng và đánh giá hiệu quả của ba thuật toán học máy nổi bật: K-Nearest Neighbors (KNN), Mạng Neural Nhân tạo (ANN) và Rừng Ngẫu nhiên (Random Forest - RF). Các mô hình này được huấn luyện để nhận diện các mẫu đặc trưng từ lưu lượng mạng, từ đó phân loại dữ liệu chưa biết với độ chính xác cao. Kết quả thu được từ các mô hình học máy này không chỉ cung cấp khả năng phân loại hiệu quả mà còn có ý nghĩa quan trọng trong việc nâng cao quản lý mạng, cải thiện bảo mật và đảm bảo Chất lượng dịch vụ (QoS). Giá trị ứng dụng của nghiên cứu nằm ở khả năng cung cấp một công cụ mạnh mẽ và linh hoạt để phân tích và quản lý lưu lượng mạng trong các kịch bản thực tế phức tạp, góp phần vào sự phát triển của hệ thống mạng thông tin.