تحلیل داده های ترافیکی با هدف تشخیص ازدحام با بهره گیری از الگوریتم های یادگیری ماشین

شناسایی ازدحام یکی از ارکان پایه ای در تضمین کیفیت خدمت به عنوان مهم ترین معیار سنجش کارایی در شبکه های مخابراتی نسل جدید است. ازدحام منجر به از دست رفتن بسته های اطلاعاتی در شبکه می شود که به دلیل بالاتر بودن نرخ ارسال از ظرفیت در برخی از لینک های شبکه رخ می دهد. برای کنترل ازدحام در شبکه گام نخست تمایز میان از دست رفتن اطلاعات در اثر ازدحام و یا در اثر سایر موارد از جمله خرابی لینک است زیرا در صورتی که منشا از دست رفتن بسته به اشتباه ازدحام تشخیص داده شود کاهش نرخ ارسال در فرستنده کمکی به کاهش ازدحام نکرده و تنها موجب کاهش گذردهی و کیفیت سرویس می شود. از این رو مسئله اصلی این مقاله شناسایی ازدحام و تفکیک آن از خطای ناشی از لینک های ارتباطی در یک نمونه داده ترافیکی است. در این مقاله برای حل مسئله مذکور از الگوریتم های مختلف یادگیری ماشین نظارت شده از جمله درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، لجیستیک رگرسیون، K-نزدیکترین همسایه، XGBoost، شبکه عصبی و تقویت درخت تصمیم بهره گرفته شده است. الگوریتم های مذکور بر اساس معیارهای مختلف از جمله دقت، درستی، F۱-measure، حساسیت و AUC مورد ارزیابی قرار گرفته و با یکدیگر مقایسه شده اند. این ارزیابی بر اساس روش K-fold Cross Validation انجام شده است. نتایج شبیه سازی نشان می دهد که الگوریتم XGBoost به لحاظ تمام معیارهای ارزیابی نسبت به دیگر الگوریتم ها عملکرد بهتری در زمینه تشخیص ازدحام دارد.

کلیدواژه ها:

تشخیص ازدحام ، یادگیری ماشین ، XGBoost ، معیارهای ارزیابی الگوریتم های یادگیری ماشین