پیشبینی ازدحام شبکه های کامپیوتری با استفاده از یادگیری ماشین به صورت فعالیت محور

با افزایش تعداد کاربران اینترنت رشد انفجاری ترافیک شبکه و توسعه سریع برنامه های کاربردی حساس به تاخیر مانند ویدئو و بازی ها، بار ترافیک شبکه به شدت افزایش یافته و پیش بینی ازدحام شبکه را به چالشی حیاتی تبدیل کرده است. از آنجا که ترافیک شبکه دارای ویژگی های غیرخطی قوی است، مدل های خطی سنتی در پیش بینی ترافیک شبکه خطای زیادی دارند. هدف این پژوهش ارائه یک مدل پیش بینی سری زمانی شبکه عصبی حافظه بلندمدت کوتاه مدت برای پیش بینی روند آینده ترافیک شبکه است که مبنای مهمی برای تخصیص منطقی منابع شبکه، پیشگیری از کنترل ازدحام و بهینه سازی عملکرد شبکه فراهم می کند. داده های مورد استفاده در این تحقیق به صورت واقعی و با استفاده از نرم افزار Wireshark از یک شبکه محلی استخراج شده اند، هدف تولید پیش بینی ها در مقیاس های زمانی بسیار کوتاه است. مدل ارائه شده با تحلیل سری های زمانی معیار تاخیر رفت و برگشت مربوط به پروتکل TCP و با استفاده از داده های واقعی جمع آوری شده توسط نرم افزار آموزش دیده است. نتایج این تحقیق پتانسیل بالای معماری های یادگیری عمیق در مدیریت هوشمند ترافیک شبکه، به ویژه در محیط های پویای مبتنی بر اینترنت اشیاء را تایید می کند؛ همچنین نشان می دهد که مدل پیشنهادی با دقت تقریبا ۸۹ درصد قادر به پیش بینی ازدحام شبکه است و می توان از آن در سیستم های مدیریت ترافیک شبکه بهره برد.

کلیدواژه ها:

یادگیری ماشین ، شبکه عصبی حافظه بلندمدت کوتاه مدت (LSTM) ، تاخیر رفت و برگشت (RTT) ، Wireshark ، پیش بینی ازدحام شبکه