Szczegóły publikacji

Opis bibliograficzny

Porównanie modeli uczenia maszynowego dla klasyfikacji ruchu QUIC — Comparison of machine learning models for QUIC traffic classification / Grzegorz PAPIER, Ariel ŁUKOWSKI, Jerzy DOMŻAŁ, Robert WÓJCIK // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN  1230-3496 . — 2026 — R. 98 nr 4, s. 241–245. — Bibliogr. s. 245, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław

Autorzy (4)

Słowa kluczowe

EN: QUICclassificationmachine learningdeep learning
PL: uczenie głębokieQUICuczenie maszynoweklasyfikacja

Dane bibliometryczne

ID BaDAP170719
Data dodania do BaDAP2026-11-18
Tekst źródłowyURL
DOI10.15199/59.2026.4.54
Rok publikacji2026
Typ publikacjireferat w czasopiśmie
Otwarty dostęptak
Creative Commons
Czasopismo/seriaPrzegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne

Streszczenie

QUIC (Quick UDP Internet Connections) to nowoczesny protokół transportowy zaprojektowany w celu przezwyciężenia ograniczeń protokołu TCP. W niniejszym artykuleporównanowybranemodeleuczeniamaszynowego, w tym głębokiego do klasyfikacji ruchu QUIC. Najlepsze wyniki uzyskał Transformer, osiągając dokładność 93,03%. Wyniki wskazują, że największe znaczenie dla klasyfikacji mają rozmiary pierwszych pakietów. Kierunki transmisji dostarczają dodatkowej informacji,natomiast czasy międzypakietowe mają wyraźnie mniejsze znaczenie.

Abstract

QUIC (Quick UDP Internet Connections) is a moderntransportprotocoldesignedtoovercomethelimitations of TCP. This paper compares selected machine learning and deep learning models for QUIC traffic classification. Transformerachievedthebestresult,withtheaccuracyof93,03%. The results indicate that initial packet sizes are the most important for classification. Packet directions provide additional information, whereas inter-packet times have a clearly smaller impact.

Publikacje, które mogą Cię zainteresować

artykuł
#161961Data dodania: 4.9.2025
Ramy statystycznej walidacji modeli uczenia maszynowego w telekomunikacji — An approach for statistical validation of machine learning models in telecommunication / Sebastian ZARĘBSKI, Krzysztof RUSEK, Piotr CHOŁDA // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN 1230-3496. — 2025 — R. 98 nr 4, s. 249–252. — Bibliogr. s. 252, Abstr. — S. Zarębski - dod. afiliacja: NOKIA, Kraków. — KRiT 2025 : Konferencja Radiokomunikacji i Teleinformatyki : Gdańsk, 10–12 września 2025
artykuł
#170546Data dodania: 18.11.2026
Transformata Fouriera jako narzędzie klasyfikacji ruchu sieciowego — Fourier Transform as a tool for network traffic classification / Kacper HANDZLIK, Jerzy DOMŻAŁ, Robert WÓJCIK // Przegląd Telekomunikacyjny, Wiadomości Telekomunikacyjne ; ISSN  1230-3496 . — 2026 — R. 98 nr 4, s. 159–163. — Bibliogr. s. 163, Streszcz., Abstr. — W artykule podano błędny rocznik czasopisma. — KRiT 2026 : Konferencja Radiokomunikacji i Teleinformatyki : 23–25 września 2026, Wrocław