Thesis

کلاس بندی ترافیک شبکه با استفاده ازالگوریتم ماشین بردار پشتیبان

Abstract(in Persian; no English abstract is available)

امروزه کاربردهای بسیار متفاوت و متنوعی از طریق اینترنت ارائه می شوند که هر کدام نیازهای ترافیکی منحصر بفردی دارند. به عنوان مثال کاربردهای چند رسانه ای نیاز به تضمین کیفیت سرویس دارند، در حالیکه کاربرهایی که از پروتکل های tcp استفاده می کنند با استفاده از مکانیزم های شناسایی و پیشگیری از ازدحام، کمترین میزان منابع به آن ها اختصاص می یابد. بنابراین لزوم مدیریت و شناسایی کاربردهای موجود در شبکه امری ضروری محسوب می شود. با توجه به حجم کاربردهای موجود در فضای اینترنت استفاده از روش های هوشمند برای انجام این امر مهم اجتناب ناپذیر می باشد. یکی از این روش ها که روز به روز بر محبوبیت آن افزوده می شود روش های مبتنی بر الگوریتم های کلاس بندی می باشند. این روش ها برای کلاسبندی ترافیک شبکه از ویژگی های مختلف مستخرج از جریان های شبکه استفاده می کنند. در راستای این تحقیقات، محققان صدها ویژگی مختلف برای جریان های شبکه ارائه داده اند. با ارائه این ویژگی ها روند کار پژوهشگران تغییر یافت. حالا سوال اصلی تحقیقات شبکه ای به شکل دیگری مطرح می شود: آیا همه ویژگی های ارائه شده برای کلاس بندی لازم هستند؟ آیا زمان صرف شده برای کلاس بندی با توجه به محدودیت های منابع و نیازهای بلادرنگ شبکه با استفاده از این ویژگی ها، قابل قبول است؟ با توجه به آمارهای گرفته شده و نتایج کار پژوهشگران جواب این سوالات منفی هستند و به این نتیجه می رسیم که باید یک مجموعه ویژگی بهینه برای اینکار پیدا کرد. این مجموعه باید طوری انتخاب شود که بین دقت کلاس بندی و منابع (زمان) محاسباتی موجود توازن برقرار کند. مسأله مهم دیگر در این زمینه نمونه برداری می باشد. قبل از انتخاب مجموعه ویژگی بهینه برای الگوریتم یادگیری، انتخاب نمونه های (جریان های ) آموزشی برای ساخت مدل کلاس بندی و همچنین نمونه هایی برای آزمودن مدل ساخته شده اهمیت فراوانی دارد. این جریان ها باید طوری انتخاب شوند که به بهترین شکل، نماینده کل جریان های شبکه باشند. جریان های شبکه از توزیع احتمالی خاصی در ارسال بسته ها پیروی می کنند. نمونه ها باید طوری انتخاب شوند که این توزیع ها را بتوانند حفظ کنند. ماشین بردار پشتیبان یکی از محبوبترین الگوریتم های یادگیری ماشین می باشد ولی به دلیل پیچیدگی و زمان محاسباتی زیاد آن در کلاس بندی ترافیک شبکه محبولیت کمتری داشته است. این تحقیق نشان داده شده است که با استفاده از روش های نمونه برداری و انتخاب ویژگی مناسب، می توان از مزایای این کلاسبند قدرتمند استفاده کرد. با استفاده از ترکیب روش های ارائه شده، ترافیک شبکه با دقت 97% کلاس بندی شده است. دقت جزیی کلاس بندی برای انواع کاربردها نیز به مراتب بهتر از روش های قبلی می باشد.

Supervisors and advisors

محمدرضا کیوانپور

Similar theses

  • طبقه بندی تصاویر ابرطیفی با استفاده از ماشین بردار پشتیبان

    Thesis2011وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریزیبا زرین

    در این تحقیق به پیاده سازی و ارزیابی الگوریتم ماشین های بردار پشتیبان در تصاویر ابرطیفی پرداخته شده است. در طبقه بندی تصاویر ابرطیفی به علت ابعاد زیاد، کم بودن نمونه های آموزشی، تغییرات مکانی امضای طیفی، وجود نویز دارای چالش هایی هستیم. با توجه به مشکلات مطرح شده در طبقه بندی تصا

  • طراحی شبکه برداشت چاه های پیزومتری آب زیرزمینی با استفاده از ماشین بردار پشتیبان

    Thesis2013وزارت علوم، تحقیقات و فناوری - دانشگاه بیرجند - دانشکده کشاورزیالهام رضایی

    انتخاب ترکیب مناسب از پارامتر های ورودی یکی از مهم ترین مراحل ساخت و طراحی هرگونه مدل سازی ریاضی و هوشمند است. در این تحقیق از ابزاری جدید به نام آزمون گاما برای پیش پردازش پارامتر های ورودی و انتخاب ترکیب بهینه از پارامتر های ورودی جهت شبیه ساز ی تراز سطح آب زیر زمینی به کمک مدل

  • انتخاب سبد سرمایه با استفاده از ماشین بردار پشتیبان و خوشه بندی

    Thesis2014وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده مهندسی صنایعمسعود رستگارمقدم عیدیان

    انتخاب سبد سرمایه و کسب حداکثری بازده با وجود ریسک کم و نقدشوندگی بالا یکی از تصمیمات پیچیده برای سرمایه گذاران است. با توجه به اینکه پرتفو بهینه از میان سهام های برتر منتخب بوجود می-آید،انتخاب سهام و رتبه بندی آنان نگاه ریزبین تری از تحقیقات را شامل می شود که هدف آنان معرفی بهتر

  • دسته بندی داده ها به روش ماشین بردار پشتیبان با توابع هدف چندگانه

    Thesis2012وزارت علوم، تحقیقات و فناوری - دانشگاه شاهد - دانشکده فنیعلی ندایی

    پیش بینی، هدف اصلی مسائل دسته بندی است. به عبارت دیگر در چنین مسائلی با استفاده از داده های پیشین سعی می شود که برچسب (دسته) های از قبل معلوم به یک داده جدید تخصیص یابد. به عنوان مثال پیش بینی پرخطر و یا کم خطر بودن مشتریان یک بانک هنگام تقاضای وام. در این حالت مسئله دارای دو دست

  • ردگیری هدف متحرک با استفاده از ماشین بردار پشتیبان

    Thesis2013وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی شاهرود - دانشکده برقرضا میغانی

    یک الگوریتم ردیابی جسم پرنده براساس بکارگیری توأماً ویژگی های رنگ و بافت برای مدل کردن هدف و سپس بکارگیری الگوریتم جابجایی میانگین برای ردگیری هدف در این پایان نامه بکار گرفته شده است. علاوه بر ویژگی های مرسوم رنگ، از ویژگی های بافت یعنی ویژگی میانگین و الگوی دودویی محلی برای نما

  • پیش بینی شاخص های اقتصادی با استفاده از ماشین بردار پشتیبان، تئوری آشوب و الگوریتم های بهینه سازی

    Thesis2011وزارت علوم، تحقیقات و فناوری - دانشگاه تفرش - دانشکده مهندسی صنایعاحمد کاظم

    تامین انتظار سهام داران و مشتریان و همچنین موفقیت در بازار کسب و کار نیازمند پیش بینی دقیق شاخص های اقتصادی می باشد. با این وجود، پیش بینی شاخص های اقتصادی به دلیل رفتار غیرخطی و ناایستایی این نوع شاخص ها، همواره به عنوان یکی از چالش برانگیزترین مسائل در سری های زمانی مطرح بوده ا

Similar items