کنفرانس بین المللی محاسبات نرم

صفحه اصلی / ششمین کنفرانس بین المللی محاسبات نرم

پیشبینی ازدحام شبکه های کامپیوتری با استفاده از یادگیری ماشین به صورت فعالیت محور

نویسندگان :

مریم صفری¹ سید عبدالرضا حسام محسنی²

1- دانشگاه الزهرا(س) 2- دانشگاه گیلان

کلمات کلیدی :

شبکه کامپیوتری،پیش‌بینی ازدحام،یادگیری ماشین(ML)،شبکه عصبی،حافظه بلند مدت کوتاه مدت(LSTM)،تاخیر رفت و برگشت(RTT)،Wireshark

چکیده :

با افزایش تعداد کاربران اینترنت، رشد انفجاری ترافیک شبکه و توسعه سریع برنامه‌های کاربردی حساس به تأخیر مانند ویدئو و بازی‌ها، بار ترافیک شبکه به شدت افزایش یافته و ازدحام شبکه را به چالشی حیاتی تبدیل کرده است. از آنجا که ترافیک شبکه دارای ویژگی‌های غیرخطی قوی است، مدل‌های خطی سنتی در پیش‌بینی ترافیک شبکه خطای زیادی دارند. هدف این پژوهش، ارائه یک مدل پیش‌بینی سری زمانی شبکه عصبی حافظه بلندمدت کوتاه مدت برای پیش‌بینی روند آینده ترافیک شبکه به کار گرفته می‌شود، که مبنای مهمی برای تخصیص منطقی منابع شبکه، پیشگیری از کنترل ازدحام و بهینه‌سازی عملکرد شبکه فراهم می‌کند. داده‌های مورد استفاده در این تحقیق به صورت واقعی و با استفاده از نرم‌افزار Wireshark از یک شبکه محلی استخراج شده‌اند. هدف، تولید پیش‌بینی‌ها در مقیاس‌های زمانی بسیار کوتاه است. مدل ارائه شده با تحلیل سری‌های زمانی معیار تاخیر رفت و برگشت )مربوط به پروتکل TCP) و با استفاده از داده‌های واقعی جمع آوری شده توسط نرم افزار آموزش دیده است. نتایج این تحقیق پتانسیل بالای معماری‌های یادگیری عمیق در مدیریت هوشمند ترافیک شبکه، به ویژه در محیط‌های پویای مبتنی بر اینترنت اشیاء را تأیید می‌کند؛ همچنین نشان می‌دهد که مدل پیشنهادی با دقت تقریبا 89 درصد قادر به پیش‌بینی ازدحام شبکه است و می‌توان از آن در سیستم‌های مدیریت ترافیک شبکه بهره برد.