根据深度包检测 (DPI) 的定义，它使用签名进行包过滤。如果数据包没有 DPI 识别的签名，监督机器学习可以帮助将标签贴在深度数据包检测无法识别的数据包上。然而，除了这个优势之外，有监督的 ML 与深度包检测相比还有其他优势/功能吗？
在网络流量分类中，监督机器学习相对于深度包检测的优势是什么？
网络工程
防火墙
网络
第 3 层
服务质量
包分析
2022-03-02 22:16:41
2个回答
当您将 DPI 与 ML 系统进行比较时，还有一个变量需要考虑，那就是检测率。在 ML 上，基本上您使用的是与流量相关的指标（不对有效负载进行检查），这可能会在检测方面产生大量误报，另一个缺点是您需要更频繁地重新训练模型。如果您有一个良好的数据库来验证生成的签名的质量如何，DPI 通常会生成较少的 FP。
传统上，签名是由分析了各种数据流的人定义的。
ML 通过推理来学习模式，从而（可能）降低训练成本。此外，ML 可用于在运行时继续学习。一般来说，它更灵活，适应速度可能更快。
两者都可能获得相似的结果。但是，人工创建的签名是一种公式化的、易于理解的规则，而 ML 过滤器可能会产生难以理解的结果。