| Abstract |
Darba mērķis: Apmācīt neironu tīklu atpazīt video kvalitātes režīmu, datu ieguves procesā izmantojot mobilo tīklu jeb LTE tehnoloģiju.
Darba mērķa saniegšanai ir:
izpētītas zinātniskās publikācijas par tīkla trafika klasifikāciju ar dziļajiem neironu tīkliem; aprakstīta LTE tehnoloģija, kā arī tīkla trafiks gan LTE, gan fiksētajam interneta pieslēgumam; izpētīts, kas ir neironu tīkls, to veidi, metrikas, un veikta neironu tīklu precizitātes analīze; noņemts un saglabāts mobilo datu trafiks, atspēlējot dažādas kvalitātes video, kā arī apstrādāts iegūtais trafiks; apmācīts neironu tīklu modelis un veikta rezultātu analīze.
Praktiskās daļas ietvaros apmācības dati tika iegūti, straumējot video ar dažādiem kvalitātes režīmiem: 360, 480, 720, 1080. Modeļa veidošanai tika izmantota TensorFlow bibliotēka ar Keras dziļās mācīšanās lietojumprogrammas interfeisu. Modeļa novērtēšanai tika izmantotas 4 metrikas: pareizība jeb Accuracy, F1 rādītājs, precizitāte jeb Precision un Recall jeb atsaukšana.
Palielinoties apstrādes uzdevumu skaitam, precizitāte un citi rādītāji samazinājās.
Analizējot visu kvalitātes režīmu failus, tika secināts, ka vidējā pareizība ir ~30%, F1 rādītājs ~20%, precizitāte ~48%, savukārt recall ~30%. Labākos rādītājus deva 1. modelis ar optimizētāju RMSprop un aktivizācijas funkciju ReLu. Tāpat, rezultātus uzlabo arī slēpto slāņu skaita palielināšana un neironu skaita palielināšana.
Pārbaudot datus, kas tika iegūti no datora, bet pieslēdzoties internetam caur mobilās ierīces LTE savienojumu, tika secināts, ka mobilā ierīce neietekmēja datu kvalitāti un apmācot neironu tīklu modeli, rezultāti tika iegūti līdzīgi. Lai pārliecinātos, ka neironu tīkla modelis strādā pareizi, tika ievietoti dati, kas iegūti ar WiFi pieslēgumu, kas iziet uz internetu ar optiskās šķiedras palīdzību. Rezultātā neironu tīkla modelis sasniedza augstus rezultātus, tātad izveidotajā modelī nav kļūdu.
No visa tika secināts, ka izveidotajam neironu tīkla modelim ir grūtības tieši ar LTE trafika apstrādi. To var mēģināt mainīt, izvēloties citus klasifikācijas parametrus un veicot turpmākos eksperimentus. |
