بهینه سازی کلاسبند خودیادگیر در ترافیک شبکه با استفاده ازروش خوشه بندی طیفی کرنل PCA

در الگوریتم های بدون نظارت بصورت خودکار به شناسایی خوشه های ترافیک می پردازد، اما دقت بدست آمده اجازه نمی دهد که بصورتسناریوی عملی در خوشه ترافیک استفاده شود. راه حل این مشکل استفاده از الگوریتم SeLeCT برای خوشه ترافیک است. با استفاده از اینالگوریتم بدون نظارت بصورت خودکار اجازه میدهد تا خوشه ترافیک را شناسایی کرده و برچسب بزند. در SeLeCT دانه ها باید در دو خوشهباشند، اما خوشه بندی k-means این کار را به درستی نمیتواند انجام دهد و فقط توانسته خطی بین دو خوشه ایجاد کند، البته این مشکل به خاطرمحاسبات فاصله اقلیدسی در تابع هدف میباشد. خوشه بندی طیفی (spectral) ابتدا دانه ها را به فضایی نگاشت که دانههای هر خوشه وارد فضاییبشوند که در یک ناحیه دارای فاصله اقلیدسی کم بشوند، که در نتیجه این مشکل برطرف می شود. این مقاله، از الگوریتم خوشه بندی Spectral Kernel PCA که ویژگیهای مناسب با توجه به توانایی آنها در توصیف خوشه های موجود در داده ها بر اساس آنتروپی انتخاب و وزندهیمی شوند، را استفاده کرده است. الگوریتمی برای انتخاب بردارهای مناسب براساس آنتروپی خوشه ها ارائه می دهیم، برای این منظور از کرنل PCAبرای استخراج ویژگی های غیر خطی استفاده می کنیم. خوشه بندی بر اساس هریک از بردارها به طور مجزا انجام می شود، سپس بدنبال بردارهاییهستیم که خوشه های همگن را نمایان میسازند. بعد از یافتن بردارهای خوب به آنها وزن مناسبی را نسبت می دهیم که بیانگر میزان مشارکتشان درخوشه بندی نهایی است، سپس میانگین وزن دار رای هر یک از بردارهای انتخاب شده در مورد هر نمونه داده محاسبه می شود تا برچسب نهایی آنداده مشخص شود. این مقاله الگوریتم SeLeCT را توسط الگوریتم Kernel PCA Spectral خوشه بندی می کند.

کلیدواژه ها:

ترافیک شبکه ، الگوریتم SeLeCT ، خوشه بندی طیفی ، الگوریتم خوشه بندی Spectral Kerne PCA