بهینه سازی کلاسبند خودیادگیر در ترافیک شبکه با استفاده از روش خوشه بندی طیفی کرنلPCA

در الگوریتم های بدون نظارت بصورت خودکار به شناسایی خوشه های ترافیک میپردازد، اما دقت بدست آمده اجازه نمیدهد که بصورت سناریوی عملی در خوشه ترافیک استفاده شود. راه حل این مشکل استفاده از الگوریتم SeLeCT برای خوشه ترافیک است. با استفاده از این الگوریتم بدون نظارت بصورت خودکار اجازه میدهد تا خوشه ترافیک را شناسایی کرده و برچسب بزند. در SeLeCT دانه ها باید در دو خوشه باشند، 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 خاطر محاسبات فاصله اقلیدسی در تابع هدف میباشد. خوشه بندی طیفی spectral ابتدا دانه ها را به فضایی نگاشت که دانه های هر خوشه وارد فضایی بشوند که در یک ناحیه دارای فاصله اقلیدسی کم بشوند، که در نتیجه این مشکل برطرف میشود. این مقاله، از الگوریتم خوشه بندی Spectral PCA Kernel که ویژگیهای مناسب با توجه به توانایی آنها در توصیف خوشه های موجود در داده ها بر اساس آنتروپی انتخاب و وزندهی میشوند، را استفاده کرده است. الگوریتمی برای انتخاب بردارهای مناسب براساس آنتروپی خوشه ها ارایه میدهیم، برای این منظور از کرنل PCA برای استخراج ویژگیهای غیر خطی استفاده میکنیم. خوشه بندی بر اساس هریک از بردارها به طور مجزا انجام میشود، سپس بدنبال بردارهایی هستیم که خوشه های همگن را نمایان میسازند. بعد از یافتن بردارهای خوب به آنها وزن مناسبی را نسبت میدهیم که بیانگر میزان مشارکتشان در خوشه بندی نهایی است، سپس میانگین وزن دار رای هر یک از بردارهای انتخاب شده در مورد هر نمونه داده محاسبه میشود تا برچسب نهایی آن داده مشخص شود. این مقاله الگوریتم SeLeCT را توسط الگوریتم Spectral Kernel PCA خوشه بندی میکند.

کلیدواژه ها:

ترافیک شبکه ، الگوریتم SeLeCT ، خوشه بندی طیفی ، الگوریتم خوشه بندی . Spectral Kernel PCA