ارایه روش ترکیبی برای شناسایی و طبقه بندی ترافیک در شبکه های بی سیم

استفاده از رویکرد اقتضایی با بهره­گیری از ویژگی­هایی از جمله مدیریت توزیع یافته بین گره­ها، تسهیل در امر ورود و خروج آن ها به شبکه و امکان تحرک بهتر، یکی از گزینه­های مطلوب جهت پیکربندی شبکه­های بی­سیم می­باشد. همین امر موجب تولید ترافیک با رفتار پوی  توسط نرم­افزارهای کاربردی در چنین شبکه­هایی می­شود که مسئله مدیریت شبکه و کنترل ترافیک بین گره­های را تحت تاثیر خود قرار می­دهد. شناسایی و طبقه­بندی ترافیک جاری در شبکه می­تواند کمک شایانی به این چالش در شبکه­های بی­سیم کند. از آنجا که روش­های مرسوم شناسایی و طبقه­بندی ترافیک قادر به ارائه عملکرد مناسب با چنین ترافیک­هایی نیستند بنابراین استفاده از روش­های مبتنی بر یادگیری ماشین می­تواند برای بهبود طبقه­بندی ترافیک به کارگرفته شوند. از آنجا که حساسیت بالا جهت یافتن ترافیک­هایی خاص نیازمند افزایش احتمال آشکارسازی و عدم ارائه تصمیم اشتباه نیازمند کاهش هشدار غلط در سامانه می­باشد،بنابراین در این مقاله روشی جدید جهت افزایش دقت و بهره­وری در شناسایی وطبقه­بندی ترافیک در شبکه­های بی­سیم اقتضایی ارائه می­شود که مبتنی بر ترکیب هدفمند روش­های یادگیری ماشین می­باشد. نتایج نشان می­دهند که روش ارائه شده علاوه بر بهبود معیارهای ارزیابی طبقه­بندی کننده ترافیک موجب افزایش احتمال آشکارسازی و کاهش نرخ هشدار غلط به نسبت به کارگیری روش­های یادگیری ماشین به صورت یکتا می­باشد.

Keywords:

شبکه های اقتضایی بی سیم , ترافیک شبکه , احتمال آشکارسازی , نرخ هشدار غلط , رویکرد ترکیبی در یادگیری ماشین