بهینه سازی کلاسبندهای ترافیک شبکه با استفاده از روش KPCA در جهت افزایش دقت و سرعت عملکرد مدیریت ترافیک شبکه

یک جنبه مهم و اساسی در مدیریت شبکه از دیدگاه اپراتور توانایی درک و یا طبقه بندی تمامی ترافیکی است که از شبکه عبور می کند اکثر راه حل های رایج فعلی نظیر بازرسی عمیق بسته ها و طبقه بندی آماری عمیقا به در دسترس بودن داده های آموزشی تکیه می کنند الگوریتمهای بدون نظارت به عنوان روشی برای دید متناوب و رو به رشد به صورت خودکار و اتوماتیک کلاسهای ترافیک را شناسایی می کنند اما دقت بدست امده اجازه نمی دهد که از آنها بصورت یک سناریوی عملی در زمینه خوشه بندی ترافیک استفاده کرد راه حل این مشکل استفاده از روشهای نیمه نظارتی می باشد الگوریتم های نیمه نظارتی بصورت خودکار اجازه می دهند تا خوشه ترافیک را شناسایی کرده و برچسب بزند در این مقاله سعی شده است تا با تمرکز بر روی عملکرد خوشه بندی و با استفاده از روشهای نوین نظیر روشهای کرنل در این زمینه عملکرد خوشه بندی ترافیک شبکه با دقت و سرعت بیشتری انجام شود برای این کار با توجه به وجود چندین ویژگی در بسته های ترافیک شبکه مسئله به صورت یک مسئله چند بعدی و غیر خطی در نظر گرفته شده و با استفاده از روش کرنل که از روشهای نوین در مبحث خوشه بندی داده های غیر خطی و چند بعدی می باشد با استفاده از الگوریتم خوشه بندی Kernel pca که ویژگیهای مناسب با توجه به توانایی آنها در توصیف خوشه های موجود در داده ها بر اساس آنتروپی انتخاب و وزن دهی می شوند اقدام به بهینه سازی عملکرد خوشه بندی بته های ترافیک شبکه در جهت افزایش دقت و سرعت عملیات خوشه بندی صورت می پذیرد

Keywords:

کرنل , کلاسبند ترافیک شبکه , فضای ویژگی , مجموعه ارزیاب