بررسی جامع رویکردهای یادگیری عمیق و فدرال برای طبقه بندی ترافیک شبکه

رشد روزافزون حجم و تنوع ترافیک شبکه در بسترهای ارتباطی مدرن از جمله شبکه های موبایل، اینترنت اشیا و خدمات ابری، تحلیل هوشمند ترافیک را به یکی از چالش های اساسی در مدیریت و امنیت شبکه تبدیل کرده است. روش های سنتی مبتنی بر پردازش متمرکز داده ها با محدودیت هایی نظیر نقض حریم خصوصی، هزینه محاسباتی بالا و عدم مقیاس پذیری در مواجهه با داده های بزرگ و ناهمگن روبرو هستند. در سال های اخیر یادگیری عمیق و به ویژه رویکردهای یادگیری توزیع شده نظیر یادگیری فدرال و یادگیری تفکیکی به عنوان راهکارهایی کارآمد برای غلبه بر این چالش ها مطرح شده اند. این مقاله یک مرور جامع بر رویکردهای نوین یادگیری عمیق و فدرال در حوزه تحلیل ترافیک شبکه ارائه می دهد و تمرکز آن بر دو مسئله اصلی یعنی پیش بینی ترافیک شبکه و طبقه بندی ترافیک رمزگذاری شده است. در این راستا، معماری های مختلفی از جمله شبکه های CNN-LSTM، مدل های گرافی فضایی زمانی، یادگیری چندوظیفه ای و چارچوب های یادگیری فدرال های افقی و عمودی بررسی و مقایسه شده اند. نتایج گزارش شده در مطالعات منتخب نشان می دهد که استفاده از معماری های ترکیبی و یادگیری فدرال ها می تواند دقت پیش بینی و طبقه بندی را به طور قابل توجهی بهبود داده و در عین حال الزامات مربوط به حفظ حریم خصوصی و توزیع داده ها را برآورده سازد. در پایان این مقاله با تحلیل نقاط قوت و چالش های موجود مسیرهای پژوهشی آینده را شامل توسعه مدل های مقیاس پذیر سبک وزن و امن برای شبکه های نسل آینده ترسیم می کند. نتایج این مرور می تواند به عنوان مرجعی برای پژوهشگران و توسعه دهندگان سیستم های هوشمند مدیریت ترافیک شبکه مورد استفاده قرار گیرد.

کلیدواژه ها:

ترافیک شبکه ، یادگیری عمیق ، یادگیری فدرال ، طبقه بندی ، پیش بینی ترافیک