RRSE-M

Abstract

The increasing network traffic in the IT industry has led to a rise in cyber attacks, emphasizing the importance of accurate network traffic estimation for maintaining a secure network environment. Traditional network traffic measurement approaches face challenges in accurately and efficiently estimating a massive amount of elements under environmental constraints, such as limited memory and high-cost hardware. To address these challenges, sketches have been proposed. Recently, Rank Recovery Spread Estimation (RRSE) was introduced as a spread estimation algorithm that considers the noise from each spreader, achieving more accurate estimations. In this paper, we present RRSE-M, a modification of RRSE for multiplicity estimation. We compare RRSE-M with the Count-Min Sketch, a widely used scheme, to evaluate its effectiveness in noise elimination. Through comprehensive experimental evaluations using various memory sizes and flow types, we demonstrate that RRSE-M outperforms the Count-Min Sketch in terms of flow size estimation accuracy. RRSE-M consistently provides accurate estimations without overestimation, even with limited memory resources. The analysis also reveals that RRSE-M exhibits significantly lower Average Absolute Relative Error (AARE) and Average Relative Error (ARE) values and achieves more accurate estimations compared to the Count-Min Sketch. These findings establish the effectiveness of RRSE-M in accurately estimating flow sizes and highlight its potential in network traffic estimation tasks. As future work, we suggest testing RRSE-M with datasets having larger flow sizes to further evaluate its efficiency in diverse traffic scenarios. Additionally, conducting comparisons with a wider range of comparative schemes would provide a more comprehensive understanding of RRSE-M's accuracy and performance relative to other state-of-the-art algorithms.;IT 산업의 발전으로 인해 네트워크 트래픽이 증가함에 따라 다양한 사이버 공격 또한 늘어나고 있다. 이러한 상황에서 네트워크 트래픽 측정은 원활한 네트워크 환경을 위해 매우 중요한 역할을 한다. 기존의 트래픽 추정 방법은 제한된 메모리와 계산 자원으로 많은 수의 요소를 정확하고 효율적으로 추정하는 데 어려움을 겪고 있다. 이러한 도전을 해결하기 위해 확률적 카운터를 사용하여 흐름의 스펙트럼 밀도를 근사적으로 추정하는 스케일 가능하고 메모리 효율적인 데이터 구조인 스케치(sketch)가 제안되었다. 최근에는 Rank Recovery Spread Estimation (RRSE) 이라는 cardinality 추정 알고리즘이 제안되었으며, 이 알고리즘은 각 spreader의 noise를 고려하여 보다 정확한 추정을 실시간으로 수행한다. 본 논문에서는 RRSE를 기반으로 한 multiplicity 추정 알고리즘인 RRSE-M을 제안하고, Count-Min Sketch와의 비교 실험을 통해 noise 제거 효과를 검증한다. 다양한 메모리 크기에서의 포괄적인 실험을 통해, RRSE-M이 Count-Min Sketch에 비해 multiplicity 추정의 정확성에서 우수한 성능을 보인다는 것을 입증하였다. RRSE-M은 제한된 메모리 자원에서도 정확한 추정을 제공하며, 과도한 과대 추정 없이 일관된 추정 성능을 유지한다. 또한, RRSE-M은 Count-Min Sketch에 비해 평균 절대 상대 오차(AARE)와 절대 상대 오차(ARE)가 상당히 낮고, 더 정확한 추정을 실현한다. 이러한 결과는 RRSE-M이 네트워크 플로우 multiplicity 추정에 있어서 높은 정확성을 제공하며, 네트워크 트래픽 측정 과제에서의 잠재력을 강조한다. 향후 연구로는 더 큰 플로우 크기를 갖는 데이터 셋을 활용하여 RRSE-M의 다양한 트래픽 시나리오에서의 효율성을 평가하는 것을 제안한다. 또한, 다양한 기법들과의 비교를 통해 RRSE-M의 정확도와 성능을 보다 포괄적으로 이해할 것을 제안한다.