کلاس بندی ترافیک شبکه با استفاده ازالگوریتم ماشین بردار پشتیبان
thesis
- دانشگاه الزهراء علیها السلام - دانشکده فنی
- author رکسانا رمضانی
- adviser محمدرضا کیوانپور
- publication year 1393
abstract
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.
similar resources
مدل سازی رواناب رودخانه صوفی چای با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی
Accurate simulation runoff process can have a significant role in water resources management and related issues. The inherent complexity of this process makes difficult the use of physical and numerical models. In recent years, application of intelligent models is increased a powerful tool in hydrological modeling. The aim of this study was the application of the Gamma test to select the optim...
full textمدلسازی مقاومت فشاری بتن غلتکی با استفاده از شبکه عصبی مصنوعی، انفیس و ماشین بردار پشتیبان
امروزه از بتن غلتکی در ساخت سدها و روسازی راهها استفاده میشود و طی سالهای اخیر استفاده از این نوع بتن به علت مزایایی چون کوتاه شدن زمان ساخت، در دسترس بودن مصالح مورد نیاز، عملکرد مناسب در نواحی سرد و عمر مفید طولانی گسترش یافته است. مهمترین خاصیت مکانیکی بتن غلتکی، مقاومت فشاری میباشد که افزایش آن میتواند عملکرد این نوع بتن را بهبود بخشد. حساسیت بتن غلتکی به اجزای تشکیلدهنده آن سبب مشک...
full textطبقه بندی متقاضیان تسهیلات اعتباری بانکها با استفاده از تکنیک ماشین بردار پشتیبان
در صنعت بانکداری یکی از موضوعاتی که همواره بایستی مدنظر سیاستگذاران اعتباری قرار دا شته باشد، مبحث مدیریتریسک است. در بین ریسک های مختلفی که بان کها با آن مواجهند, ریسک اعتباری از با اهمیت ترین آن ها است که اززیان های ناشی از ناتوانی یا عدم تمایل مشتری به ایفای تعهدات خویش در برابر بانک حاصل م یگردد.جهت مدیریت و کنترل ریسک مذکور , سیستم های طبقه بندی اعتباری مشتریان ضرورتی انکار ناپذیر است . چن...
full textبررسی پایداری استاتیکی ولتاژ با استفاده از ماشین بردار پشتیبان و شبکه عصبی
پایداری ولتاژ یک مسئله اساسی در سیستم قدرت میباشد. در این مقاله پایداری ولتاژ از حیث استاتیکی، و کاربرد شبکه عصبی و SVM در تخمین حد پایداری و نیز پیشبینی پایداری ولتاﮊ بررسی شده است. پایداری ولتاژ در دو بخش مورد ارزیابی قرار گرفته است. در بخش اول، محاسبه حاشیه پایداری استاتیکی ولتاژ به وسیله شبکه عصبی RBF بیان میشود. مزیت روش استفاده شده، دقت بالای آن در تشخیص حاشیه پایداری ولتاژ به صورت بهن...
full textبررسی پایداری استاتیکی ولتاژ با استفاده از ماشین بردار پشتیبان و شبکه عصبی
پایداری ولتاژ یک مسئله اساسی در سیستم قدرت میباشد. در این مقاله پایداری ولتاژ از حیث استاتیکی، و کاربرد شبکه عصبی و SVM در تخمین حد پایداری و نیز پیشبینی پایداری ولتاﮊ بررسی شده است. پایداری ولتاژ در دو بخش مورد ارزیابی قرار گرفته است. در بخش اول، محاسبه حاشیه پایداری استاتیکی ولتاژ به وسیله شبکه عصبی RBF بیان میشود. مزیت روش استفاده شده، دقت بالای آن در تشخیص حاشیه پایداری ولتاژ به صورت بهن...
full textروشی جدید برای بهبود کلاس بندی اهداف هوایی راداری توسط کرنل های مختلف ماشین بردار پشتیبان
امروزه مبحث کلاس بندی اهداف هوایی اهمیت روزافزونی یافته است و روش های مختلفی برای رسیدن به این هدف مورد استفاده قرار می-گیرد. ماشین بردار پشتیبان از جمله جدیدترین روش های مورد استفاده در این حوزه می باشد. در این مقاله برای کلاس بندی سه هدف جنگنده، هواپیمای مسافربری و هلی کوپتر از سه روش کلاس بندی چند کلاسه ماشین بردار پشتیبان شامل روش یکی در برابر یکی، یکی در برابر همه و گراف غیرچرخشی جهت دار پ...
full textMy Resources
document type: thesis
دانشگاه الزهراء علیها السلام - دانشکده فنی
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023