شناسایی و طبقه بندی ترافیک شبکه های نظیربه نظیر با استفاده از تكنیك های یادگیری ماشین

کد محصول35 T

فایلWORD

120 صفحه

18000 تومان

فصل اول: مقدمه 1

فصل دوم: معرفي شبکه‌هاي نظير به نظير 5
2-1- مقدمه 6
2-2- معرفي شبكه‌هاي نظيربه‌نظير 6
2-3- ويژگيهاي مهم شبکه‌هاي نظيربه‌نظير 8
2-3-1- طبيعت پيشا شبكه‌هاي نظيربه‌نظير 9
2-3-2- ظرفيت و قابليت اعتماد محدود نظيرها 9
2-3-3- استقلال نظيرها 10
2-3-4- الگوي پردازش در شبكه‌هاي نظيربه‌نظير 10
2-3-5- مزايا و معايب سامانه‌هاي نظيربه‌نظير 11
2-4- مدل معماري سامانه‌هاي نظيربه‌نظير 12
2-4-1- مديريت همپوشاني 12
2-5- کاربرد‌هاي پروتكل‌هاي نظيربه‌نظير 15
2-5-1- اشتراک پرونده 15
2-5-2- پخش رسانه و توزيع محتوا با پهناي باند بالا 16
2-5-3- سامانه‌هاي ذخيره‌سازي 17
2-5-4- اشتراک توزيع‌شده چرخه‌هاي CPU 18
2-6- مشکلات حاصل از رواج کاربردهاي نظيربه‌نظير 19
2-6-1- تعريف صورت مسئله 21

فصل سوم: يادگيري ماشين و کاربردهاي آن در طبقه‌بندي ترافيک 23
3-1- مقدمه 24
3-2- معرفي يادگيري ماشين 24
3-3- کاربرد يادگيري ماشين در طبقه بندي ترافيک IP 32
3-3-1- آموزش و آزمايش طبقه‌بنديکننده ترافيک يادگيري ماشين نظارت‌شده: 33
3-4- مسائل موجود در توسعه يک طبقه‌بندي‌کننده کاربردي 36
3-4-1- طبقه‌بندي بهنگام و پيوسته 37
3-4-2- بيطرفي هدايتي 37
3-4-3- استفاده بهينه از حافظه و پردازنده‌ها 38
3-4-4- قابليت‌حمل و قدرت 38
3-5- شبکه‌هاي پرسپترون‌ چندلايه 39
3-5-1- معرفي شبکه‌‌هاي پرسپترون چندلايه 39
3-5-2- خلاصه الگوريتم پسانتشارخطا (B.P) 41

فصل چهارم: کارهاي مرتبط 45
4-1- مقدمه 46
4-2- روش‌هاي خوشه‌بندي 46
4-2-1- خوشه‌بندي ترافيک با استفاده از به حداکثررساني انتظار 46
4-2-2- شناسايي خودکار کاربرد با استفاده از AutoClass 47
4-2-3- شناسايي کاربردهاي مبتني بر TCP با استفاده از K-Means ساده 48
4-2-4- شناسايي ترافيک وب و P2P در هسته شبکه 48
4-3- روش‌هاي نظارت‌شده 49
4-3-1- روش آماري مبتني بر امضاء با استفاده الگوريـتم‌هاي NN، LDA و QDA 49
4-3-2- طبقه‌بندي با استفاده از روش‌هاي تحليل Bayesian 50
4-3-3- طبقه‌بندي ترافيک بلادرنگ با استفاده از ويژگي‌هاي چندين زير-جريان 50
4-3-4- روش‌هاي طبقه‌بندي مبتني بر GA 50
4-4- روش‌هاي ترکيبي 51

فصل پنجم: جمع‌آوري ترافيک 53
5-1- مقدمه 54
5-2- انواع داده‌هاي ترافيک شبکه 54
5-2-1- محتواي بسته 54
5-2-2- سرايند بسته 55
5-2-3- جريان ترافيک 56
5-3- انتخاب نوع داده 56
5-4- جمع‌آوري داده‌هاي جريان 58
5-4-1- پروتکل NetFlow 58
5-4-2- پياده‌سازي نرم‌افزار جمع‌آوري‌کننده NetFlow 62
5-4-3- جمع‌آوري داده‌هاي NetFlow 63
5-5- جمع‌آوري محتواي بسته 64
5-5-1- پياده‌سازي نرم‌افزار جمع‌آوري‌کننده محتواي بسته 66

فصل ششم: شناسايي و طبقه‌بندي ترافيک P2P 69
6-1- مقدمه 70
6-2- مرحله 1: شناسايي ترافيک P2P 71
6-2-1- طراحي و آموزش شبکه‌هاي عصبي 71
6-2-2- نمودار بلوکي بخش شناسايي ترافيک P2P 79
6-3- مرحله 2: طبقه‌بندي ترافيک P2P 80
6-3-1- روش کار طبقه‌بندي‌کننده P2P 81
6-3-2- پياده‌سازي طبقه‌بندي‌کننده ترافيک P2P 82
6-4- نتايج پياده‌سازي 86
6-4-1- محدوديت‌ها 86
6-4-2- ارزيابي مرحله اول (شناسايي ترافيک P2P) 87
6-4-3- ارزيابي مرحله دوم (طبقه‌بندي ترافيک P2P) 92
6-4-4- ارزيابي سربار محاسباتي روش پيشنهادي 93

فصل هفتم: نتيجه‌گيري و پيشنهادات 95
7-1- جمع‌بندي مطالب 96
7-2- پيشنهادات 96
7-2-1- افزودن قابليت يادگيري برخط 96
7-2-2- به روزرساني برخط امضاء‌ها 97
منابع 99

فهرست شكل‌ها
شکل ‏2 1سهم حجم ترافيک پروتکلهاي مختلف نظيربهنظير در حجم کلي ترافيک نظيربهنظير 8
شکل ‏2 2 سهم تعداد پروندههاي مختلف در پروندههاي بهاشتراکگذاشتهشده در شبکه نظيربهنظير BitTorrent 8
شکل ‏2 3سهم حجم پروندههاي ويدئويي و صوتي نسبت به ساير پروندهها 8
شکل ‏2 4 مقايسه مدل سطح بالا و ساده‌شده الگوي نظيربهنظير با مدل خدمتگزار – مشتري 11
شکل ‏2 5 مدل سادهشده از نرمافزار نصبشده بر روي هر نظير 12
شکل ‏2 6 مقايسه حجم ترافيك Peer-to-Peer با ساير موارد استفاده از اينترنت 21
شکل ‏3 1مراحل آموزش و آزمايش براي يک طبقه بندي‌کننده  يادگيري ماشين نظارت‌شده 34
شکل ‏3 2 آموزش طبقه‌بندي‌کننده ترافيک يادگيري ماشين نظارت‌شده 35
شکل ‏3 3نمودار جريان داده در يک طبقه‌بندي‌کننده ترافيک يادگيري ماشين نظارت‌شده 36
شکل ‏3 4 شبکه پرسپترون سه لايه 40
شکل ‏5 1 نحوه ارتباط بخش‌هاي جمع‌آوري‌کننده داده‌هاي جريان و محتواي داده 57
شکل ‏5 2 زمانبندي جريان 60
شکل ‏5 3 پيکربندي شبکه جمع آوري داده‌هاي جريان 64
شکل ‏5 4 گراف روزانه (ميانگين 5 دقيقه) 65
شکل ‏5 5 گراف ماهيانه (ميانگين 2 ساعت) 65
شکل ‏5 6گراف ساليانه (ميانگين 1 روز) 65
شکل ‏5 7 قالب پيام تشخيص 66
شکل ‏6 1گراف تعاملات سطح شبکه پروتکل‌هاي Soribada (سمت راست) و HTTP (سمت چپ) (شکل از[62]) 72
شکل ‏6 2 نمودار محاسبه ويژگي‌هاي 1 و 4 براي پروتکل‌هاي Web، Gnutella، emule و BitTorrent 74
شکل ‏6 3 نمودار محاسبه ويژگي‌هاي6 و 8 براي پروتکل‌هاي Web،Gnutella، emule و BitTorrent 75
شکل ‏6 4نمودار محاسبه ويژگي‌هاي 9 و 10 براي پروتکل‌هاي Web، Gnutella، eMule و BitTorrent 76
شکل ‏6 5 طراحي اوليه شبکه عصبي 77
‏6 6 نمودار بلوکي بخش شناسايي ترافيک P2P 80
شکل ‏6 7  نمودار بلوکي طبقه‌بندي‌کننده ترافيک P2P 81
شکل ‏6 8 ميزان تغييرات دقت با تغيير تعداد ترون‌هاي لايه پنهان 88
شکل ‏6 9ميزان تغييرات دقت با تغيير بازه‌هاي زماني دريافت ترافيک 89
شکل ‏6 10 ميزان تغييرات دقت با تغييرات دو پارامتر بازه زماني جمع‌آوري ترافيک و تعداد نرون‌هاي لايه پنهان 90
شکل ‏6 11نتايج استفاده از ترکيبات مختلف ويژگي‌هاي ده‌گانه 91
شکل ‏6 12دقت شناسايي ترافيک 10 ميزبان در بازه زماني 1 ساعت 92
شکل ‏6 13 ميزان بهروري پردازنده مسيرياب اصلي شرکت سپنتا در يک سال گذشته 94

فهرست جداول
جدول ‏5 1 قالب سرايند NetFlow نسخه 5 61
جدول ‏5 2 قالب رکورد NetFlow نسخه 5 62