| Studiju veids |
maģistra akadēmiskās studijas |
| Studiju programmas nosaukums |
Telekomunikācijas |
| Nosaukums |
Reāllaika datortīklu trafika klasifikācija izmantojot dziļus neironu tīklus |
| Nosaukums angļu valodā |
Realtime Network Traffic Classification with Deep Neural Networks |
| Struktūrvienība |
13100 Telekomunikāciju institūts |
| Darba vadītājs |
Elans Grabs |
| Recenzents |
Andris Skrastiņš |
| Anotācija |
Pieaugot tīkla trafika sarežģītībai un apjomam, precīza un savlaicīga tīkla pakešu klasifikācija ir kļuvusi ļoti svarīga efektīvai tīkla pārvaldībai, drošībai un pakalpojumu kvalitātei. Šis darbs pēta dziļo neironu tīklu (DNN) pielietojumu reāllaika tīkla trafika klasifikācijai. Mērķis ir izstrādāt stabilu un efektīvu modeli, kas spēj precīzi klasificēt tīkla paketes reāllaikā.
Pētījums sākas ar plašu literatūras apskatu par tīkla trafika klasifikācijas metodēm, izceļot tradicionālo metožu ierobežojumus un dziļās mācīšanās pieeju potenciālu. Lai atvieglotu eksperimentēšanu, tiek apkopota un iepriekš apstrādāta visaptveroša datu kopa, kas ietver dažādus tīkla trafika modeļus.
Pētījuma praktiskā daļa ir vērsta uz dziļo neironu tīklu arhitektūru projektēšanu un apmācību, izmantojot dažādas slāņu, neironu un hiperparametru konfigurācijas. Modeļi tiek novērtēti, izmantojot veiktspējas rādītājus. Tiek veikti plaši eksperimenti, lai izpētītu dažādu hiperparametru iestatījumu ietekmi uz modeļu klasifikācijas precizitāti un reāllaika veiktspēju.
Rezultāti parāda dziļo neironu tīklu efektivitāti, lai sasniegtu augstu precizitātes līmeni reāllaika tīkla trafika klasifikācijai. Ir novērots, ka rūpīga hiperparametru atlase un precizēšana lielā mērā ietekmē modeļa veiktspēju. Turklāt pētījums atklāj, ka modeļa sarežģītības palielināšana ne vienmēr uzlabo precizitāti un var izraisīt pārmērīgu uzstādīšanu. Optimālā hiperparametru kombinācija atšķiras atkarībā no datu kopas un tīkla trafika raksturlielumiem.
Šī pētījuma atklājumiem ir būtiska ietekme uz tīkla pārvaldību, drošību un lietojumprogrammu prioritāšu noteikšanu. Reāllaika tīkla trafika klasifikācija, izmantojot dziļus neironu tīklus, var uzlabot tīkla drošību, ļaujot savlaicīgi atklāt ļaunprātīgas darbības. Tas arī veicina efektīvu satiksmes pārvaldību un pakalpojumu sniegšanas kvalitāti.
Darbā kopā ir 114 lappuses. Promocijas darbā ir parādīti 18 attēli, 10 tabulas, 17 vienādojumi un 94 atsauces, lai nodrošinātu labāku un skaidrāku grafisko skaidrojumu. |
| Atslēgas vārdi |
Reāllaika tīkla trafika klasifikācija, dziļie neironu tīkli (DNN), mašīnmācība, padziļināta mācīšanās, datu klasifikācija, tīkla trafika uzraudzība, tīkla trafika datu kopas |
| Atslēgas vārdi angļu valodā |
Real-time network traffic classification, Deep neural networks (DNNs), Machine learning, Deep learning, Data classification, Network traffic monitoring, Network traffic datasets |
| Valoda |
eng |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
01.06.2023 22:10:11 |
