| نوع مدرک: | متون چاپی |
| سرشناسه | رهنما ، شهاب، نویسنده |
| رده‌بندی کنگره : | COM soft 39 1400 |
| عنوان : | یادگیری ماشین برای تشخیص برنامه جدید در ردیاب های ترافیک سلولی |
| عنوان موازی : | Machine Learning for novel application detection in cellular traffic traces |
| ناشر: | دانشگاه شهید اشرفی اصفهانی: اصفهان |
| سال نشر : | 1400 |
| صفحه شمار: | 11ص |
| شابک/شاپا | 23857 |
| یادداشت | پایان نامه کارشناسی ارشد: مهندسی نرم افزار کامپیوتر |
| شناسه افزوده : | خیام باشی ، محمدرضا، استاد راهنما |
| توصیفگرها | شبکه سلولی یادگیری ماشین تحلیل ترافیک شبکه کلان داده داده بسته Cellular network Machine learning Network traffic analysis Big data Packet data |
| چکیده : | امروزه با گسترش روز افزون استفاده از اینترنت به خصوص در گوشی های هوشمند که باعث گسترش بیش از پیش شبکه های اجتماعی شده است خطرات و مشکلات آن نیز افزایش یافته از کلاهبرداری ها تا افزایش ترافیک شبکه و به تبع آن کاهش سرعت پاسخگویی به کاربران به ویژه برای درخواست های حیاتی، نیاز به مدیریت و کنترل ترافیک شبکه بیش از گذشته احساس می شود، پاسخ به درخواست های حیاتی کاربر از جمله تراکنش های بانکی، کلاس ها و امتحانات آنلاین و ... که زندگی کاربر نهایی را تحت الشعاع قرار می دهد باید در اولویت قرار گیرند. در این مطالعه سعی شده است که راه حلی مناسب با استفاده از یادگیری ماشین برای طبقه بندی ترافیک شبکه و ایده ای نوین برای ساخت جدول اولویت برای کلاس های مختلف ترافیک شبکه پیشنهاد شود. برای سادگی موضوع میتوان آن را به کنترل ترافیک خیابان تشبیه کرد که گاهی اوقات برای کمتر شدن بار ترافیک از ورود خودرو های سنگین به سطح شهر جلوگیری به عمل می آید، موقع تصادف خطی از بزرگراه برای عبور آمبولانس در نظر گرفته می شود یا در مواقعی به خاطر بار زیاد خیابانی خیابان های ورودی برای مدتی بسته می شوند. برای این منظور از الگوریتم های نظارت شده مانند درخت تصمیم، جنگل های تصادفی، K نزدیکترین همسایه ها و شبکه های عصبی مصنوعی برای طبقه بندی ترافیک شبکه بعد از تنظیم پارامترها و انتخاب ویژگی های مهم منتج به این شد که بالاترین دقت این مدل ها برای جنگل تصادفی به 94.11 و در K نزدیکترین همسایه ها 96.93، وشبکه های عصبی به 89.46 می رسد. سپس جدول اولویتی با سه ویژگی قابل چشم پوشی، قابل تاخیر انداختن و پاسخ فوری بر اساس مهم بودن و اورژانسی بودن کلاس مورد نظر با سه روش دستی، اتوماتیک و نیمه اتوماتیک ساخته می شود که اپراتور انسانی یا ماشینی که مسئولیت مدیریت و کنترل شبکه را دارد با استفاده از آن در زمان هایی که نیاز هست تصمیم گیری میکند |
| لینک ثابت رکورد: | ../opac/index.php?lvl=record_display&id=13072 |
| زبان مدرک : | فارسی |
یادگیری ماشین برای تشخیص برنامه جدید در ردیاب های ترافیک سلولی (1400) / رهنما ، شهاب، نویسنده