MARC

 008250123s2024        us                              c    eng  d
■001000017162953
■00520250211152116
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384338048
■035    ▼a(MiAaPQ)AAI31460308
■035    ▼a(MiAaPQ)Stanfordkw967bv6840
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a500
■1001  ▼aWan,  Gerry.
■24510▼aPractical  Systems  For  Traffic  Analysis  on  Modern  Networks
■260    ▼a[Sl]▼bStanford  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a131  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  A.
■500    ▼aAdvisor:  Durumeric,  Zakir.
■5021  ▼aThesis  (Ph.D.)--Stanford  University,  2024.
■520    ▼aNetwork  traffic  analysis  is  essential  for  understanding  and  securing  production  networks.  It  is  routinely  used  by  both  operators  and  researchers  to  investigate  network  behaviors,  identify  security  threats,  and  monitor  performance.  However,  network  traffic  has  grown  increasingly  opaque.  The  rise  of  end-to-end  encryption  and  the  rapid  growth  in  network  speeds  have  outpaced  the  capabilities  of  traditional  analysis  methods,  hindering  visibility  into  modern  networks.Despite  recent  progress  in  the  development  of  specialized  tools  for  high-speed  networks  and  machine  learning  (ML)  techniques  for  analyzing  encrypted  traffic,  such  tools  and  techniques  remain  difficult  to  deploy  in  practice.  Many  systems  built  on  advanced  networking  hardware  are  performant,  but  cannot  accommodate  complex  analysis  tasks  involving  reassembled  or  parsed  network  data.  ML-based  solutions  can  infer  information  from  encrypted  traffic  but  often  do  not  meet  the  performance  demands  of  running  in  real-world  networks.Traffic  analysis  systems  should  be  practical:  versatile  enough  to  enable  diverse  and  complex  use  cases,  performant  enough  to  operate  in  real-time  against  high-speed  network  traffic,  and  straightforward  to  deploy  in  standard  computing  environments.This  dissertation  presents  frameworks  and  algorithms  that  enable  practical  systems  for  traffic  analysis  on  modern  networks.  We  first  describe  Retina,  a  software  framework  that  supports  100+  Gbps  traffic  analysis  on  a  single  commodity  server.  Retina  strategically  discards  unneeded  traffic  and  defers  expensive  processing  operations  to  efficiently  perform  complex  analysis  tasks  without  specialized  hardware.  We  highlight  several  case  studies  that  demonstrate  Retina's  versatility  and  performance.Next,  we  describe  CATO,  an  optimization  framework  for  ML-based  traffic  analysis.  With  the  widespread  adoption  of  end-to-end  encryption,  many  network  traffic  characteristics  can  only  be  inferred  through  statistical  or  machine  learning-based  techniques.  However,  existing  ML-based  solutions  tend  to  overlook  the  practical  challenges  of  running  models  against  high-speed  traffic.  CATO  combines  multi-objective  Bayesian  optimization  with  direct  end-to-end  measurements  to  jointly  optimize  and  validate  the  in-network  performance  of  ML-based  traffic  analysis  pipelines.  We  show  how  CATO  can  be  implemented  on  top  of  Retina  to  construct  ML-based  traffic  analysis  applications  that  can  be  deployed  in  real-world  networks  on  a  single  server.
■590    ▼aSchool  code:  0212.
■650  4▼aDecomposition
■650  4▼aBehavior
■650  4▼aMalware
■650  4▼aStreaming  media
■650  4▼aIntrusion  detection  systems
■650  4▼aProtocol
■650  4▼aOptimization  techniques
■650  4▼aRetina
■650  4▼aComputer  science
■650  4▼aFilm  studies
■650  4▼aWeb  studies
■690    ▼a0800
■690    ▼a0984
■690    ▼a0900
■690    ▼a0646
■71020▼aStanford  University.
■7730  ▼tDissertations  Abstracts  International▼g86-03A.
■790    ▼a0212
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162953▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서