مدل طبقهبندی ترافیک شبکههای کامپیوتری مبتنی بر خوشه بندی DBScan و طبقه بند گاما | ||
| پدافند الکترونیکی و سایبری | ||
| مقاله 1، دوره 13، شماره 3 - شماره پیاپی 51، پاییز 1404، صفحه 1-16 اصل مقاله (1.49 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سیده زهره مجیدیان1؛ شیوا تقی پور عیوضی* 2؛ بهمن آراسته3؛ علی غفاری4 | ||
| 1دانشجوی دکتری، گروه مهندسی کامپیوتر، واحد بین المللی ارس، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 2استادیار، گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 3دانشیار، گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| 4استاد،گروه مهندسی کامپیوتر، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران | ||
| چکیده | ||
| طبقهبندی ترافیک یکی از مهمترین فرآیندهای نظارت بر شبکه است که کاربردهای گستردهای در حوزههای امنیت، کیفیت خدمات و مدیریت شبکه دارد. با افزایش پیچیدگی و تنوع ترافیک شبکه، چالشهای جدیدی ازجمله کمبود دادههای آموزشی برچسب به وجود میآید. بهمنظور رفع این چالش در این مقاله، سازوکار طبقهبندی ترافیک با ترکیب الگوریتمهای یادگیری ماشین بدون نظارت و نیمه نظارتی ارائه میشود. این سازوکار از مجموعه محدودی از دادههای آموزشی برچسبگذاری شده برای بهبود دقت طبقهبندی استفاده میکند. روش پیشنهادی، هر جریان ترافیک را بهعنوان یک بردار ویژگی توصیف میکند که شامل ویژگیهای آماری آن جریان است. تعداد ویژگیهای ایجادشده برای هر نمونه نیز با استفاده از تحلیل مؤلفههای اصلی کاهش مییابد. خوشهبندی DBScan برای تعیین نوع ترافیک صحیح برای هر جریان ترافیک بدون برچسب استفاده میشود. درنهایت، از مدل طبقهبندی گاما برای تفکیک جریانهای ترافیک جدید استفاده میشود. کارایی روش پیشنهادی با استفاده از مجموعه دادههای واقعی ارزیابیشده است. نتایج نشان میدهد که روش پیشنهادی قادر به طبقهبندی جریانهای ترافیکی با دقت متوسط 95.12 درصد است که حداقل 7.03 درصد بهبود را نسبت به رویکردهای قبلی نشان میدهد. | ||
| کلیدواژهها | ||
| طبقهبندی ترافیک؛ یادگیری ماشین؛ خوشهبندی DBScan؛ طبقهبندی گاما | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 528 تعداد دریافت فایل اصل مقاله: 379 |
||