ترافیک شبکه های نظیر به نظیر با استفاده از تکنیک‌های یادگیری ماشین

اصل مقاله موجود نیست

فهرست مطالب
فصل اول: مقدمه 1
فصل دوم: معرفی شبکه‌های نظیر به نظیر 5
2-1- مقدمه 6
2-2- معرفی شبکه‌های نظیربه‌نظیر 6
2-3- ویژگیهای مهم شبکه‌های نظیربه‌نظیر 8
2-3-1- طبیعت پیشا شبکه‌های نظیربه‌نظیر 9
2-3-2- ظرفیت و قابلیت اعتماد محدود نظیرها 9
2-3-3- استقلال نظیرها 10
2-3-4- الگوی پردازش در شبکه‌های نظیربه‌نظیر 10
2-3-5- مزایا و معایب سامانه‌های نظیربه‌نظیر 11
2-4- مدل معماری سامانه‌های نظیربه‌نظیر 12
2-4-1- مدیریت همپوشانی 12
2-5- کاربرد‌های پروتکل‌های نظیربه‌نظیر 15
2-5-1- اشتراک پرونده 15
2-5-2- پخش رسانه و توزیع محتوا با پهنای باند بالا 16
2-5-3- سامانه‌های ذخیره‌سازی 17
2-5-4- اشتراک توزیع‌شده چرخه‌های CPU 18
2-6- مشکلات حاصل از رواج کاربردهای نظیربه‌نظیر 19
2-6-1- تعریف صورت مسئله 21
فصل سوم: یادگیری ماشین و کاربردهای آن در طبقه‌بندی ترافیک 23
3-1- مقدمه 24
3-2- معرفی یادگیری ماشین 24
3-3- کاربرد یادگیری ماشین در طبقه بندی ترافیک IP 32
3-3-1- آموزش و آزمایش طبقه‌بندیکننده ترافیک یادگیری ماشین نظارت‌شده: 33
3-4- مسائل موجود در توسعه یک طبقه‌بندی‌کننده کاربردی 36
3-4-1- طبقه‌بندی بهنگام و پیوسته 37
3-4-2- بیطرفی هدایتی 37
3-4-3- استفاده بهینه از حافظه و پردازنده‌ها 38
3-4-4- قابلیت‌حمل و قدرت 38
3-5- شبکه‌های پرسپترون‌ چندلایه 39
3-5-1- معرفی شبکه‌‌های پرسپترون چندلایه 39
3-5-2- خلاصه الگوریتم پسانتشارخطا (B.P) 41
فصل چهارم: کارهای مرتبط 45
4-1- مقدمه 46
4-2- روش‌های خوشه‌بندی 46
4-2-1- خوشه‌بندی ترافیک با استفاده از به حداکثررسانی انتظار 46
4-2-2- شناسایی خودکار کاربرد با استفاده از AutoClass 47
4-2-3- شناسایی کاربردهای مبتنی بر TCP با استفاده از K-Means ساده 48
4-2-4- شناسایی ترافیک وب و P2P در هسته شبکه 48
4-3- روش‌های نظارت‌شده 49
4-3-1- روش آماری مبتنی بر امضاء با استفاده الگوریـتم‌های NN، LDA و QDA 49
4-3-2- طبقه‌بندی با استفاده از روش‌های تحلیل Bayesian 50
4-3-3- طبقه‌بندی ترافیک بلادرنگ با استفاده از ویژگی‌های چندین زیر-جریان 50
4-3-4- روش‌های طبقه‌بندی مبتنی بر GA 50
4-4- روش‌های ترکیبی 51
فصل پنجم: جمع‌آوری ترافیک 53
5-1- مقدمه 54
5-2- انواع داده‌های ترافیک شبکه 54
5-2-1- محتوای بسته 54
5-2-2- سرایند بسته 55
5-2-3- جریان ترافیک 56
5-3- انتخاب نوع داده 56
5-4- جمع‌آوری داده‌های جریان 58
5-4-1- پروتکل NetFlow 58
5-4-2- پیاده‌سازی نرم‌افزار جمع‌آوری‌کننده NetFlow 62
5-4-3- جمع‌آوری داده‌های NetFlow 63
5-5- جمع‌آوری محتوای بسته 64
5-5-1- پیاده‌سازی نرم‌افزار جمع‌آوری‌کننده محتوای بسته 66
فصل ششم: شناسایی و طبقه‌بندی ترافیک P2P 69
6-1- مقدمه 70
6-2- مرحله 1: شناسایی ترافیک P2P 71
6-2-1- طراحی و آموزش شبکه‌های عصبی 71
6-2-2- نمودار بلوکی بخش شناسایی ترافیک P2P 79
6-3- مرحله 2: طبقه‌بندی ترافیک P2P 80
6-3-1- روش کار طبقه‌بندی‌کننده P2P 81
6-3-2- پیاده‌سازی طبقه‌بندی‌کننده ترافیک P2P 82
6-4- نتایج پیاده‌سازی 86
6-4-1- محدودیت‌ها 86
6-4-2- ارزیابی مرحله اول (شناسایی ترافیک P2P) 87
6-4-3- ارزیابی مرحله دوم (طبقه‌بندی ترافیک P2P) 92
6-4-4- ارزیابی سربار محاسباتی روش پیشنهادی 93
فصل هفتم: نتیجه‌گیری و پیشنهادات 95
7-1- جمع‌بندی مطالب 96
7-2- پیشنهادات 96
7-2-1- افزودن قابلیت یادگیری برخط 96
7-2-2- به روزرسانی برخط امضاء‌ها 97
منابع 99
فهرست شکل‌ها
شکل ‏2 1سهم حجم ترافیک پروتکلهای مختلف نظیربهنظیر در حجم کلی ترافیک نظیربهنظیر 8
شکل ‏2 2 سهم تعداد پروندههای مختلف در پروندههای بهاشتراکگذاشتهشده در شبکه نظیربهنظیر BitTorrent 8
شکل ‏2 3سهم حجم پروندههای ویدئویی و صوتی نسبت به سایر پروندهها 8
شکل ‏2 4 مقایسه مدل سطح بالا و ساده‌شده الگوی نظیربهنظیر با مدل خدمتگزار – مشتری 11
شکل ‏2 5 مدل سادهشده از نرمافزار نصبشده بر روی هر نظیر 12
شکل ‏2 6 مقایسه حجم ترافیک Peer-to-Peer با سایر موارد استفاده از اینترنت 21
شکل ‏3 1مراحل آموزش و آزمایش برای یک طبقه بندی‌کننده یادگیری ماشین نظارت‌شده 34
شکل ‏3 2 آموزش طبقه‌بندی‌کننده ترافیک یادگیری ماشین نظارت‌شده 35
شکل ‏3 3نمودار جریان داده در یک طبقه‌بندی‌کننده ترافیک یادگیری ماشین نظارت‌شده 36
شکل ‏3 4 شبکه پرسپترون سه لایه 40
شکل ‏5 1 نحوه ارتباط بخش‌های جمع‌آوری‌کننده داده‌های جریان و محتوای داده 57
شکل ‏5 2 زمانبندی جریان 60
شکل ‏5 3 پیکربندی شبکه جمع آوری داده‌های جریان 64
شکل ‏5 4 گراف روزانه (میانگین 5 دقیقه) 65
شکل ‏5 5 گراف ماهیانه (میانگین 2 ساعت) 65
شکل ‏5 6گراف سالیانه (میانگین 1 روز) 65
شکل ‏5 7 قالب پیام تشخیص 66
شکل ‏6 1گراف تعاملات سطح شبکه پروتکل‌های Soribada (سمت راست) و HTTP (سمت چپ) (شکل از[62]) 72
شکل ‏6 2 نمودار محاسبه ویژگی‌های 1 و 4 برای پروتکل‌های Web، Gnutella، emule و BitTorrent 74
شکل ‏6 3 نمودار محاسبه ویژگی‌های6 و 8 برای پروتکل‌های Web،Gnutella، emule و BitTorrent 75
شکل ‏6 4نمودار محاسبه ویژگی‌های 9 و 10 برای پروتکل‌های Web، Gnutella، eMule و BitTorrent 76
شکل ‏6 5 طراحی اولیه شبکه عصبی 77
‏6 6 نمودار بلوکی بخش شناسایی ترافیک P2P 80
شکل ‏6 7 نمودار بلوکی طبقه‌بندی‌کننده ترافیک P2P 81
شکل ‏6 8 میزان تغییرات دقت با تغییر تعداد ترون‌های لایه پنهان 88
شکل ‏6 9میزان تغییرات دقت با تغییر بازه‌های زمانی دریافت ترافیک 89
شکل ‏6 10 میزان تغییرات دقت با تغییرات دو پارامتر بازه زمانی جمع‌آوری ترافیک و تعداد نرون‌های لایه پنهان 90
شکل ‏6 11نتایج استفاده از ترکیبات مختلف ویژگی‌های ده‌گانه 91
شکل ‏6 12دقت شناسایی ترافیک 10 میزبان در بازه زمانی 1 ساعت 92
شکل ‏6 13 میزان بهروری پردازنده مسیریاب اصلی شرکت سپنتا در یک سال گذشته 94
فهرست جداول
جدول ‏5 1 قالب سرایند NetFlow نسخه 5 61
جدول ‏5 2 قالب رکورد NetFlow نسخه 5 62