بکارگیری روش های K-NN و SVM جهت طبقه بندی ترافیک داده ها درشبکه های مبتنی بر نرم افزار

امروزه برای ایجاد و نگهداری یک ارتباط مطمین در شبکه و پیاده سازی سیاستهای پیچیده مدیریتی بر روی دستگاه های شبکه،اپراتورها مجبور به درگیر شدن با پیکربندی های سطح پایین و انحصاری فروشندگان این دستگاه ها هستند. همچنین درهم تنیدگی سطوح کنترلی و داده ایی در شبکه های کنونی، انعطاف پذیری قوانین مدیریتی را در سطح بسیار پایینی نگه داشته است. یک سبک جدید شبکه های کامپیوتری یعنی شبکه های مبتنی بر نرم افزار با جداسازی سطح کنترل از سطح داده، امکانات و روش های نوینی را در مدیریت و پیکربندی شبکه معرفی نموده است و این امر باعث هوشمند شدن، انعطاف پذیری و کنترل پذیرتر شدن شبکه های کامپیوتری می شود. یکی از عمده ترین چالش ها در این نوع شبکه ها، طبقه بندی ترافیک شبکه است. طبقه بندی ترافیک شبکه بر حسب پروتکل لایه کاربرد، اطلاعات مورد نیاز بخش زیادی از وظایف مدیریتی مانند: برنامه ریزی شبکه، مهندسی ترافیک و تضمین کیفیت سرویس را فراهم می آورد. در این مقاله، الگوریتم های K-Nearest Neighbor و Support Vector Machine برای دسته بندی ترافیک شبکه های مبتنی بر نرم افزار اعمال شده است که دقت کلی این مدل در طبقه بندی ترافیک به ترتیب 94 % و % 4 / 97 می باشد.

کلیدواژه ها:

مدیریت شبکه ، OpenFlow ، شبکه های مبتنی بر نرم افزار ، دسته بندی ترافیک ، SVM ، K-