Darknet tabanlı CNN'ler ile sinyal seviyesinde ağ trafiği sınıflandırması: Yeni bir yöntemsel yaklaşım.
Saved in:
| Title: | Darknet tabanlı CNN'ler ile sinyal seviyesinde ağ trafiği sınıflandırması: Yeni bir yöntemsel yaklaşım. |
|---|---|
| Alternate Title: | Signal-level network traffic classification using darknet-based CNNs: A new methodological approach. |
| Authors: | Geylani, Munip1 mgeylan@beu.edu.tr, Çıbuk, Musa2 mcbuk@gmal.com, Akbal, Ayhan3 ayhan_akbal@frat.edu.tr |
| Source: | Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,. Mar2026, Vol. 41 Issue 1, p383-399. 17p. |
| Subjects: | Computer network traffic, Signal classification, Convolutional neural networks, Machine learning, Data privacy, Data visualization |
| Abstract (English): | Network traffic classification is a significant research area that has been extensively studied by researchers. Existing studies are mostly conducted at the data link layer or higher layers, typically using the decoded form of the traffic. However, there is no systematic approach in the literature that performs traffic classification directly at the physical layer using raw electrical signals. In this study, a novel classification approach is proposed at the physical layer level. In the proposed method, network traffic is represented through electrical signals, and the classification process is performed directly on these raw signals. To this end, signals were collected from the physical connection between a computer and a network switch using an oscilloscope, and a new dataset consisting of six different traffic types was constructed by labeling these signals. The created signal dataset was visualized using horizontal, spiral, diagonal zigzag, and spectrogram techniques, and was then used to train Darknet-based CNN architectures. The highest performance was achieved in the classification experiment using Darknet53 and the diagonal zigzag visualization technique, with an accuracy rate of 96.24%.The results demonstrate that network traffic can be effectively classified at the signal level, without decoding packet contents and without compromising data privacy. In this respect, the study fills a notable gap in the literature and provides a strong alternative to traditional traffic classification methods. [ABSTRACT FROM AUTHOR] |
| Abstract (Turkish): | Ağ trafiği sınıflandırması, araştırmacılar tarafından yoğun biçimde çalışılan önemli bir alandır. Mevcut çalışmaların genellikle veri bağı katmanı ve üzerindeki katmanlarda, trafiğin çözümlenmiş (decode edilmiş) hali üzerinde yapıldığı görülmektedir. Ancak literatürde, ağ trafiğinin doğrudan fiziksel katman düzeyinde, yani sinyallerin kendisi üzerinden sınıflandırılmasına yönelik sistematik bir yaklaşım bulunmamaktadır. Bu çalışmada, ağ trafiği sınıflandırmasına fiziksel katman düzeyinde yeni bir yöntemsel yaklaşım sunulmaktadır. Önerilen yöntemde, ağ trafiği elektriksel sinyaller aracılığıyla temsil edilmekte ve sınıflandırma işlemi bu ham sinyaller üzerinden gerçekleştirilmektedir. Bu amaçla, bilgisayar ile ağ anahtarlama cihazı arasındaki fiziksel bağlantıdan osiloskop yardımıyla sinyaller toplanmış ve etiketlenerek altı farklı trafik türünü içeren yeni bir veri seti oluşturulmuştur. Oluşturulan sinyal veri seti, yatay, spiral, diyagonal zikzak ve spektrogram teknikleriyle görselleştirilerek Darknet tabanlı CNN mimarilerinin eğitilmesinde kullanılmıştır. Darknet53 ve diyagonal zikzak görselleştirme tekniğiyle yapılan sınıflandırma deneyinde %96,24 doğruluk oranı ile en yüksek performans elde edilmiştir. Elde edilen sonuçlar, paket içerikleri çözümlenmeden ve veri mahremiyeti ihlal edilmeden, ağ trafiğinin yalnızca sinyal düzeyinde dahi yüksek doğrulukla sınıflandırılabileceğini göstermektedir. Bu yönüyle çalışma, literatürdeki önemli bir boşluğu doldurarak geleneksel yöntemlere güçlü bir alternatif sunmaktadır. [ABSTRACT FROM AUTHOR] |
| Copyright of Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, is the property of Gazi University, Faculty of Engineering & Architecture and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.) | |
| Database: | Engineering Source |
| FullText | Links: – Type: pdflink Text: Availability: 0 |
|---|---|
| Header | DbId: egs DbLabel: Engineering Source An: 192992947 AccessLevel: 6 PubType: Academic Journal PubTypeId: academicJournal PreciseRelevancyScore: 0 |
| IllustrationInfo | |
| Items | – Name: Title Label: Title Group: Ti Data: Darknet tabanlı CNN'ler ile sinyal seviyesinde ağ trafiği sınıflandırması: Yeni bir yöntemsel yaklaşım. – Name: TitleAlt Label: Alternate Title Group: TiAlt Data: Signal-level network traffic classification using darknet-based CNNs: A new methodological approach. – Name: Author Label: Authors Group: Au Data: <searchLink fieldCode="AR" term="%22Geylani%2C+Munip%22">Geylani, Munip</searchLink><relatesTo>1</relatesTo><i> mgeylan@beu.edu.tr</i><br /><searchLink fieldCode="AR" term="%22Çıbuk%2C+Musa%22">Çıbuk, Musa</searchLink><relatesTo>2</relatesTo><i> mcbuk@gmal.com</i><br /><searchLink fieldCode="AR" term="%22Akbal%2C+Ayhan%22">Akbal, Ayhan</searchLink><relatesTo>3</relatesTo><i> ayhan_akbal@frat.edu.tr</i> – Name: TitleSource Label: Source Group: Src Data: <searchLink fieldCode="JN" term="%22Journal+of+the+Faculty+of+Engineering+%26+Architecture+of+Gazi+University+%2F+Gazi+Üniversitesi+Mühendislik+Mimarlık+Fakültesi+Dergisi%2C%22">Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi,</searchLink>. Mar2026, Vol. 41 Issue 1, p383-399. 17p. – Name: Subject Label: Subjects Group: Su Data: <searchLink fieldCode="DE" term="%22Computer+network+traffic%22">Computer network traffic</searchLink><br /><searchLink fieldCode="DE" term="%22Signal+classification%22">Signal classification</searchLink><br /><searchLink fieldCode="DE" term="%22Convolutional+neural+networks%22">Convolutional neural networks</searchLink><br /><searchLink fieldCode="DE" term="%22Machine+learning%22">Machine learning</searchLink><br /><searchLink fieldCode="DE" term="%22Data+privacy%22">Data privacy</searchLink><br /><searchLink fieldCode="DE" term="%22Data+visualization%22">Data visualization</searchLink> – Name: Abstract Label: Abstract (English) Group: Ab Data: Network traffic classification is a significant research area that has been extensively studied by researchers. Existing studies are mostly conducted at the data link layer or higher layers, typically using the decoded form of the traffic. However, there is no systematic approach in the literature that performs traffic classification directly at the physical layer using raw electrical signals. In this study, a novel classification approach is proposed at the physical layer level. In the proposed method, network traffic is represented through electrical signals, and the classification process is performed directly on these raw signals. To this end, signals were collected from the physical connection between a computer and a network switch using an oscilloscope, and a new dataset consisting of six different traffic types was constructed by labeling these signals. The created signal dataset was visualized using horizontal, spiral, diagonal zigzag, and spectrogram techniques, and was then used to train Darknet-based CNN architectures. The highest performance was achieved in the classification experiment using Darknet53 and the diagonal zigzag visualization technique, with an accuracy rate of 96.24%.The results demonstrate that network traffic can be effectively classified at the signal level, without decoding packet contents and without compromising data privacy. In this respect, the study fills a notable gap in the literature and provides a strong alternative to traditional traffic classification methods. [ABSTRACT FROM AUTHOR] – Name: Abstract Label: Abstract (Turkish) Group: Ab Data: Ağ trafiği sınıflandırması, araştırmacılar tarafından yoğun biçimde çalışılan önemli bir alandır. Mevcut çalışmaların genellikle veri bağı katmanı ve üzerindeki katmanlarda, trafiğin çözümlenmiş (decode edilmiş) hali üzerinde yapıldığı görülmektedir. Ancak literatürde, ağ trafiğinin doğrudan fiziksel katman düzeyinde, yani sinyallerin kendisi üzerinden sınıflandırılmasına yönelik sistematik bir yaklaşım bulunmamaktadır. Bu çalışmada, ağ trafiği sınıflandırmasına fiziksel katman düzeyinde yeni bir yöntemsel yaklaşım sunulmaktadır. Önerilen yöntemde, ağ trafiği elektriksel sinyaller aracılığıyla temsil edilmekte ve sınıflandırma işlemi bu ham sinyaller üzerinden gerçekleştirilmektedir. Bu amaçla, bilgisayar ile ağ anahtarlama cihazı arasındaki fiziksel bağlantıdan osiloskop yardımıyla sinyaller toplanmış ve etiketlenerek altı farklı trafik türünü içeren yeni bir veri seti oluşturulmuştur. Oluşturulan sinyal veri seti, yatay, spiral, diyagonal zikzak ve spektrogram teknikleriyle görselleştirilerek Darknet tabanlı CNN mimarilerinin eğitilmesinde kullanılmıştır. Darknet53 ve diyagonal zikzak görselleştirme tekniğiyle yapılan sınıflandırma deneyinde %96,24 doğruluk oranı ile en yüksek performans elde edilmiştir. Elde edilen sonuçlar, paket içerikleri çözümlenmeden ve veri mahremiyeti ihlal edilmeden, ağ trafiğinin yalnızca sinyal düzeyinde dahi yüksek doğrulukla sınıflandırılabileceğini göstermektedir. Bu yönüyle çalışma, literatürdeki önemli bir boşluğu doldurarak geleneksel yöntemlere güçlü bir alternatif sunmaktadır. [ABSTRACT FROM AUTHOR] – Name: AbstractSuppliedCopyright Label: Group: Ab Data: <i>Copyright of Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, is the property of Gazi University, Faculty of Engineering & Architecture and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract.</i> (Copyright applies to all Abstracts.) |
| PLink | https://search.ebscohost.com/login.aspx?direct=true&site=eds-live&db=egs&AN=192992947 |
| RecordInfo | BibRecord: BibEntity: Identifiers: – Type: doi Value: 10.17341/gazimmfd.1761166 Languages: – Code: tur Text: Turkish PhysicalDescription: Pagination: PageCount: 17 StartPage: 383 Subjects: – SubjectFull: Computer network traffic Type: general – SubjectFull: Signal classification Type: general – SubjectFull: Convolutional neural networks Type: general – SubjectFull: Machine learning Type: general – SubjectFull: Data privacy Type: general – SubjectFull: Data visualization Type: general Titles: – TitleFull: Darknet tabanlı CNN'ler ile sinyal seviyesinde ağ trafiği sınıflandırması: Yeni bir yöntemsel yaklaşım. Type: main BibRelationships: HasContributorRelationships: – PersonEntity: Name: NameFull: Geylani, Munip – PersonEntity: Name: NameFull: Çıbuk, Musa – PersonEntity: Name: NameFull: Akbal, Ayhan IsPartOfRelationships: – BibEntity: Dates: – D: 01 M: 03 Text: Mar2026 Type: published Y: 2026 Identifiers: – Type: issn-print Value: 13001884 Numbering: – Type: volume Value: 41 – Type: issue Value: 1 Titles: – TitleFull: Journal of the Faculty of Engineering & Architecture of Gazi University / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Type: main |
| ResultId | 1 |
