تشخیص و مدیریت ترافیک در اینترنت اشیا با استفاده از روش ترکیبی یادگیری ماشین

اینترنت اشیا برای بهتر شدن کیفیت زندگی آینده طراحی شده است، نظارت منظم بر ترافیک شبکه اینترنت اشیا برای عملکرد صحیح دستگاه ها و شناسایی فعالیت های مخرب مهم است، یکی از این فعالیت های حیاتی، طبقه بندی دستگاه ها اینترنت اشیا در ترافیک شبکه است که مدیر شبکه را قادر می سازد از این طریق بر اجرای مناسب کیفیت خدمات، شناسایی دستگاه های مخرب اینترنت اشیا و غیره نظارت داشته باشد. روش تشخیص و شناسایی ترافیک شبکه اینترنت اشیا مسئله ای مهم است. با ورود کاربران و تجهیزات جدید شناسایی ترافیک جاری در شبکه کار پیچیده و سخت است؛. این تحقیق از مجموعه داده BoTNeTIOTL۰۱ استفاده شده است که شامل بیست و سه ویژگی آماری مهندسی شده می باشد، در اینجا به بررسی الگوریتم جنگل تصادفی و پارامتر های مهم آن که در تشخیص و مدیریت ترافیک اینترنت اشیا به کار گرفته می شود اشاره شده است. همچنین الگوریتم های XGBoost، AdaBoost، KNN و SVM به منظور مقایسه نتایج مورد بررسی قرار گرفته اند. برای نمایش نحوه توزیع مقادیر مختلف در هر یک از ستون های مجموعه داده در تحقیق هیستوگرام های مربوط به آن ها ترسیم شده است. نتایج الگوریتم ها بر اساس چهار شاخص Precision، Accuracy، Recall و F-measure مورد بررسی قرار گرفتند. نتایج نشان داد که دقت

کلیدواژه ها:

تشخیص و مدیریت ترافیک ، اینترنت اشیا ، یادگیری ماشین ، ترافیک شبکه ، الگوریتم جنگل تصادفی ، XGBoost ، AdaBoost ، KNN ، SVM ، هیستوگرام ، Precision ، Accuracy ، Recall ، F-measure