جستجو در مقالات منتشر شده


2 نتیجه برای شناسایی ترافیک

محمدرضا گندمی، حمید حسن پور،
دوره 16، شماره 4 - ( 12-1398 )
چکیده

شناسایی ترافیک شبکه یکی از نیازهای اساسی مدیران جهت کنترل شبکه، برای بهبود کیفیت خدمات‌دهی و حفظ امنیت در شبکه است. یکی از چالش‌­های اساسی در روش­‌های مبتنی بر تحلیل آماری بسته­ها، شناسایی ترافیک شبکه، مسأله از دست‌دادن (اتلاف) بسته­‌ها است که استفاده از ویژگی­‌های آماری در تحلیل ترافیک شبکه را با مشکل جدی روبه‌رو می­‌سازد. این مسأله، ویژگی­‌های آماری بسته­‌ها نظیر فاصله زمانی بین ارسال بسته‌­های متوالی برنامه­‌های کاربردی را تحت تأثیر قرار می­‌دهد، و در مواردی دقت شناسایی ترافیک را به میزان قابل توجهی کاهش می­‌دهد. هدف اصلی این مقاله بررسی تأثیرات اتلاف بسته­‌ها بر روی ویژگی­‌های آماری، و در نتیجه دقت شناسایی برنامه‌های کاربردی، و همچنین استخراج ویژگی‌­های مناسب جهت چیره‌شدن بر این تأثیرات است. بدین منظور، رفتار چهار ویژگی آماری، مورد بررسی قرار گرفته و با استخراج ویژگی از توزیع آنها ترافیک شبکه شناسایی می­‌شود. به همین منظور پایگاه داده‌­ای از ترافیک هفت برنامه کاربردی با نرخ­‌های مختلفی از اتلاف بسته، تهیه شده و میزان صحت تشخیص برنامه­‌های کاربردی به‌وسیله شبکه عصبی، مورد تحلیل قرار گرفته است. نتایج نشان می­‌دهد که ویژگی‌­های استخراج‌شده در مقابل رخداد اتلاف بسته­‌ها مقاوم بوده و دقت شناسایی ترافیک شبکه را در حالت­‌های مختلف رخداد اتلاف بسته به حالت ایده‌­آل (عدم رخداد اتلاف بسته در شبکه) نزدیک می­‌کند.

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.

[1] Ablation Study


صفحه 1 از 1     

کلیه حقوق این تارنما متعلق به فصل‌نامة علمی - پژوهشی پردازش علائم و داده‌ها است.