1 نتیجه برای شبکه کلموگورف-آرنولد
علی رهنما، زهرا آخوداد،
دوره 22، شماره 4 - ( 12-1404 )
چکیده
یکی از مشکلات اصلی در شبکههای مدرن، طبقهبندی ترافیک رمزنگاری شدهای است که از جریان دادههای پردازشنشده بهدلیل مشکل در ساختار و الگوهای پنهان بهوجود میآید. در این مقاله، چهارچوبی جدید بهنام seqKAN معرفی شدهاست که با ترکیب شبکههای LSTM و یا CNN برای استخراج وابستگیهای زمانی و معماری KAN برای مدلسازی روابط غیرخطی، عملکرد دقیقی در تحلیل جریانهای شبکه ارائه میدهد. برای افزایش دقت و قابلیت اطمینان، این مدل با روشهای RKHS و ODE ترکیب شدهاست و تأثیر مستقل و ترکیبی هر کدام، از طریق یک مطالعه حذفی[1] بررسی شدهاست. نتایج روی مجموعهدادههای واقعی رمزنگاریشده نشان میدهد افزودن لایه RKHS نقش مؤثری در افزایش دقت و مقاومت مدل دارد؛ همچنین، با استفاده از تحلیلهای کمی SHAP و LIME و قابلیت بصریسازی ذاتی KAN، نحوه شناسایی ویژگیهای موثر و یادگیری خودکار روابط معنادار در مدل بررسی شدهاست. معماری پیشنهادی تعادلی مناسب میان دقت، کارایی و تفسیرپذیری برقرار کرده و راهکاری مؤثر برای تحلیل هوشمند ترافیک شبکه ارائه میدهد.
