| Form of studies |
Professional Bachelor |
| Title of the study programm |
Transport Electronics and Telematics |
| Title in original language |
Interneta zvanu klasifikācija ar mašīnapmācības paņēmieniem pēc tīkla apstrādes ar Wireshark |
| Title in English |
Classification of Internet calls using Machine Learning methods for network traffic processed by Wireshark. |
| Department |
Telemātikas un transporta elektronisko sistēmu katedra |
| Scientific advisor |
Elans Grabs |
| Reviewer |
E.Pētersons |
| Abstract |
Mašīnmācīšanās ir izpēte par datoru algoritmiem, kas automātiski uzlabojas, izmantojot iepriekš iegūto pieredzi. Mašīnmācīšanās algoritmi veido matemātisku modeli, kas balstās uz paraugiem, dēvēti kā “apmācību dati”, lai pieņemtu lēmumus vai izdarītu prognozes bez ieprogrammētām komandām. Tā tiek pielietota visdažādākajās lietojumprogrammās, kurās ir grūti vai pat neiespējami izmantot parastos algoritmus, lai veiktu nepieciešamos uzdevumus.
Darbs aptver informāciju par mašīnmācīšanās metodēm, algoritmu veidiem, neironu tīkliem, kā arī tuvāk tiek izpētītas četras uzraudzītas mašīnmācīšanās algoritmu metodes – k tuvākā kaimiņa, Naivais Beijesa, atbalsta vektora mašīnas un lēmumu koka algoritms. Paralēli teorētiskajiem pētījumiem, bakalaura darbā tiek veikta mašīnmācīšanās algoritmu praktiskā realizācija, kas sastāv no trīs posmiem: programmas Skype audio/video zvana trafika noņemšana ar Wireshark, noņemto datu apstrāde un sagatavošana ar MATLAB pielietošanai mašīnmācīšanās modeļos, un uzraudzītas mašīnmācīšanās modeļu apmācība un pārbaude, lai novērtētu klasifikācijas precizitāti dažādām metodēm.
Iegūtie rezultāti parādīja, ka ir iespējams veikt trafika klasifikāciju ar augstu precizitāti pēc iespējas īsākā laika posmā. Trafika analīzes loga garumam palielinoties pārsvarā precizitāte ir zemāka, tāpēc labāk izvēlēties īsāku loga garumu – 0.5, 1 vai 2 sekundes. Trafika intensitātes periods būtiski neietekmē klasifikācijas akurātības rezultātus, taču labāk izmantot lielāku periodu – 10 vai 100 milisekundes. Vispiemērotākais statisko momentu skaits lielākajai daļai algoritmu ir 1, jo tad akurātības rezultāti ir visaugstākie, taču tam palielinoties rezultāti būtiski nemainās un visbiežāk paliek tādi paši. Vislabākos rezultātus no visiem pieciem novērtētajiem algoritmiem sniedza tieši atbalsta vektoru mašīnas un daudzslāņu perceptrona algoritmi.
Darba kopējais apjoms ir 71 lpp. teksts, 24 attēli, 28 tabulas, 5 pielikumi un 23 literatūras avoti. |
| Keywords |
Mašīnmācīšanās, algoritmi, neironu tīkls, mākslīgais intelekts, tīkla trafiks, klasifikācija |
| Keywords in English |
Machine learning, algorithms, neural network, artificial intelligence, network traffic, classification |
| Language |
lv |
| Year |
2020 |
| Date and time of uploading |
09.06.2020 20:30:18 |
