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
Dane bibliometryczne
| ID BaDAP | 170719 |
|---|---|
| Data dodania do BaDAP | 2026-11-18 |
| Tekst źródłowy | URL |
| DOI | 10.15199/59.2026.4.54 |
| Rok publikacji | 2026 |
| Typ publikacji | referat w czasopiśmie |
| Otwarty dostęp | |
| Creative Commons | |
| Czasopismo/seria | Przegląd 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.