طبقه بندی ترافیک شبکه های SDN-IOT با استفاده از انتخاب ویژگی ژنتیک

در سال های اخیر، افزایش شدید دستگاه های اینترنت اشیا وجود داشته است. اکثر این دستگاه های اینترنت اشیا دارای نیازمندی های کیفیت خدمات است. این امر ارائه راه حل های خوب شبکه را در عین کنترل هزینه ها برای ارائه دهندگان شبکه بسیار دشوار کرده است. برای پاسخگویی به نیازهای کیفیت خدمات در شبکه های اینترنت اشیا، یک الگوی جدید، SDN-IoT، با بهره گیری از مزایای معماری شبکه های مبتنی بر نرم افزار در شبکه های اینترنت اشیا برای بهبود کیفیت شبکه پیشنهادشده است. قابلیت برنامه ریزی کنترلر شبکه های مبتنی بر نرم افزار امکان استفاده از یادگیری ماشین را در شبکه ها فراهم می کند. ما از الگوریتم های طبقه بندی جنگل تصادفی، K نزدیک ترین همسایه و XGBoost استفاده می کنیم و عملکرد آن ها را مقایسه می کنیم. همچنین تاثیر انتخاب ویژگی الگوریتم ژنتیک را بر روی دقت طبقه بندی کننده ها برای کاهش تعداد ویژگی های مورد نیاز و زمان پیش بینی برای مجموعه داده بررسی می کنیم. در آخر، الگوریتم XGBoost هم ازلحاظ دقت و زمان پیش بینی بهترین نتیجه را داد.

کلیدواژه ها:

شبکه های مبتنی بر نرم افزار ، اینترنت اشیا ، طبقه بندی ترافیک ، الگوریتم ژنتیک ، یادگیری ماشین