Master Thesis Online
Alone in the Dark: Encrypted traffic classification
Sauvage, Mehdi 
Promoteur(s) :
Donnet, Benoît
Date de soutenance : 26-jui-2019/27-jui-2019 • URL permanente : http://hdl.handle.net/2268.2/6708
Détails
| Titre : | Alone in the Dark: Encrypted traffic classification |
| Titre traduit : | [fr] Seul dans le noir: Classification du traffic chiffré. |
| Auteur : | Sauvage, Mehdi
|
| Date de soutenance : | 26-jui-2019/27-jui-2019 |
| Promoteur(s) : | Donnet, Benoît
|
| Membre(s) du jury : | Leduc, Guy
Geurts, Pierre
|
| Langue : | Anglais |
| Nombre de pages : | 72 |
| Mots-clés : | [en] Machine Learning [en] encrypted traffic [en] classification |
| Discipline(s) : | Ingénierie, informatique & technologie > Sciences informatiques |
| Public cible : | Etudiants |
| URL complémentaire : | https://github.com/BeyouGo/master_thesis |
| Institution(s) : | Université de Liège, Liège, Belgique |
| Diplôme : | Master en ingénieur civil en informatique, à finalité spécialisée en "intelligent systems" |
| Faculté : | Mémoires de la Faculté des Sciences appliquées |
Résumé
[en] The goal of the Master thesis is to address the problem of encrypted traffic classification using semi-supervised machine learning approaches and time-related flow features. It takes advantage on easy-to-obtain unlabelled data to increase the accuracy of a model trained on a few labelled samples. The same approach is used to detect unobserved traffic types.
Fichier(s)
Document(s)
Abstract_Master_Thesis_final.pdf
Description: abstract
Taille: 100.93 kB
Format: Adobe PDF
Citer ce mémoire
Tous les documents disponibles sur MatheO sont protégés par le droit d'auteur et soumis aux règles habituelles de bon usage.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.