Selección de discriminadores de tráfico de red para clasificación en tiempo real

espanolExisten varias tecnicas para seleccionar un conjunto de variables para clasificacion del trafico de red. Sin embargo, muchos estudios ignoran el ambito del conocimiento en donde el analisis y clasificacion del trafico tiene lugar y no consideran la informacion, siempre en movimiento, que se transporta en dichas redes. Este articulo describe el proceso de seleccion de discriminadores trafico de redes en linea. Se obtuvieron 24 caracteristicas que pueden procesarse en tiempo real y se proponen como los conjuntos de atributos base para futuros analisis, procesa-miento y calificacion conscientes del dominio (domain-aware). Para la seleccion de un conjunto de discriminadores de trafico y con el fin de evitar los inconvenientes mencionados anteriormente, se llevaron a cabo tres etapas. La primera consiste en la seleccion manual basada en el conocimiento contextual de las caracteristicas de trafico de red que tengan las condiciones de obtener en tiempo real a partir del flujo. La segunda etapa se enfoca en la calidad del analisis de los atributos previamente seleccionados para asegurar la relevancia de cada uno a la hora de efectuar la clasificacion del trafico. En la tercera etapa, la implementacion de varios algoritmos de aprendizaje incremental verifican la idoneidad de tales atributos en procesos de clasificacion de trafico en linea. EnglishThere are several techniques to select a set of traffic features for traffic classification. However, most studies ignore the domain knowledge where traffic analysis or classification is performed and do not consider the always moving information carried in the networks. This paper describes a selection process of online network-traffic discriminators. We obtained 24 traffic features that can be processed on the fly and propose them as a base attribute set for future domain-aware online analysis, processing, or classification. For the selection of a set of traffic discriminators, and to avoid the inconveniences mentioned, we carried out three steps. The first step is a context knowledge-based manual selection of traffic features that meet the condition of being obtained on the fly from the flow. The second step is focused on the quality analysis of previously selected attributes to ensure the relevance of each one when performing a traffic classification. In the third step, the implementation of several incremental learning algorithms verified the usefulness of such attributes in online traffic classification processes