یک الگوی طبقهبندی ترافیک شبکه با استفاده از تکنیک یادگیری ماشین

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,749

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CSITM02_178

تاریخ نمایه سازی: 25 بهمن 1394

چکیده مقاله:

امروزه با توجه به استفادهی روزافزون از شبکهی اینترنت و استفاده از برنامه های کاربردی تحت شبکه، نیاز به استفاده از یک روش مؤثر با دقت بالا برای طبقه بندی ترافیک شبکه که سهم بسزایی در بهبود مدیریت پهنای باند شبکه و افزایش امنیت آن دارد،اهمیت بیشتری پیدا میکند. هدف این مقاله ارائه یک الگوی جدید طبقهبندی ترافیک شبکه اینترنت با دقت بالا با استفاده از تکنیک یادگیری ماشین است بطوریکه دقت طبقهبندی را در کلاسهای اقلیت افزایش دهد. به همین منظور در ابتدا ویژگی هبای مجموعه داده انتخابی توسط عملیات پیاپردازش با استفاده از یک روش استخراج ویژگی 1 بهینه کاها یافته و در ادامه عملیاتطبقهبندی با استفاده از یک طبقهبند ترکیبی انجام شده است. روش پیشنهادی بر روی مجموعهداده پیاده سازی شده و سیستمی بهینه با استفاده از طبقهبند ترکیبی بگینگ 2 با دقت 8989 % تولید کرده ابت. نتایح حا صل از ارزیابی روش پیشنهادی، نشان دهندهی برتری و افزایا دقت طبقهبندی با استفاده از روش ترکیبی نسبت به روشهای منفرد یادگیری ماشین است

نویسندگان

مریم نوحانی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد اراک، گروه تحصیلات تکمیلی کامپیوتر، دانشکده فنی مهندسی، اراک، ایران

جواد اکبری ترکستانی

استادیار گروه کامپیوتر، دانشگاه آزاد اسلامی واحد اراک، گروه تحصیلات تکمیلی کامپیوتر، دانشکده فنی مهندسی، اراک، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. Moore and . Papagiannaki, "Toward the accurate identification of ...
  • Yan Hu, D.-M. C. (2009). Profiling and identification of P2P ...
  • T. Karagiannis, A. Broido, M. Faloutsos, and K. claffy, "Transport ...
  • P. Haffher, S. Sen, O. Spatscheck, and D. Wang, "ACAS: ...
  • Thuy T.T. Nguyen and Grenville Armitage, "A Survey of Techniques ...
  • C. V. Wright, F. Monrose, G. M. Masson, "On inferring ...
  • A. McGregor, et al, "Flow clustering using machine learning techniques, ...
  • Moore, A.W., Zuev, D., Crogan, M, _ TDiscriminatos For Use ...
  • Liu, G., Yi, Z. and Yang, S., "A Hierarchical Intrusion ...
  • Zhu, D, "A hybrid approach for efficient ensembles", Decision Support ...
  • A. Callado, et al, "Better network traffic identification through the ...
  • Dietterich, T.G., "Ensemble Methods in Machine Learning", in Multiple Classifier ...
  • Panov, P., and Dzeroski, S, "Combining bagging and random subspaces ...
  • نمایش کامل مراجع