استنباط خواص آماری جریان ها از روی بسته های نمونه برداری شده از شبکه با استفاده از شبکه های عصبی

نظارت و سنجش رفتار ترافیک در شبکه پیش نیاز طیف وسیعی از فعالیت های مهندسی و مدیریت شبکه است . این کار مستلزم ثبت تک تک بسته های عبوری از یک لینک است . از سوی دیگر رفتار ترافیک در سطح بسته دارای جهش های ناگهانی و زیاد است، در حالی که ترافیک در سطح جریان رفتار قابل پیش بینی تری را از خود به نمایش می گذارد . در شبکه های امروزی با وجود خطوط پرسرعت گیگابیت و ترابیت گرفتن آمار تمام بسته های عبوری سبب اختلال در عملکرد مسیریاب و تحمیل بار اضافی به آن خواهد شد . نمونه برداری از بسته به عنوان یک راه حل تعمیم پذیر برای حل این مشکل پیشنهاد شده است . برای مثال کار گروه های IPFIX وPSAMPدر IETF هر دو نمونه برداری از بسته را توصیه می کنند و استانداردی را برای این کار تدوین کرده اند . اساسی ترین و مهم ترین سؤال در ارتباط با نمونه برداری از بسته این است که این اندازه گیری تا چه اندازه دقیق است، به عبارت دیگر از چه روشی می بایست استفاده گردد تا آماره های بدست آمده از نمونه برداری با آماره های واقعی بیشترین تطابق را داشته باشد . در این تحقیق روشی بر مبنای شبکه های عصبی برای بازیابی آماره های جریان ترافیک در بازه های زمانی کوتاه پیشنهاد شده است . در این روش علاوه بر تعداد متوسط و میانگین طول جریان ها ، توزیع اندازه این آماره ها نیز با دقت قابل قبولی بدست می آید . همچنین کارایی این روش با روش های قبلی مقایسه شده که بهبود قابل ملاحظه ای در نتایج مشاهده می شود .

Keywords:

توزیع generalized pareto , جریانهای ترافیکی , شبکه های عصبی MLP , نمونه برداری بستهها