مقارنة أداء خوارزميات التعلم الآلي في تصنيف تدفقات الشبكة

الملخص

    يعد الحفاظ على توفر الشبكة وتحسين الأداء هدفا أساسًا لإدارة الشبكة. ومع النمو الهائل في حجم الشبكة والحمل، أصبحت هذه المهمة معقدة بشكل متزايد. أحد مجالات البحث الهامة هو تصنيف أحمال الشبكة، والذي يقدم فوائد كبيرة مثل تقليل ازدحام حركة الأحمال، وتعزيز إدارة الشبكة.

تستكشف هذه الدراسة تطبيق خوارزميات التعلم الآلي المختلفة لتصنيف تدفقات الشبكة الى تدفقات ضخمة وتدفقات صغيرة. قمنا بتنفيذ وتقييم مصنفات متعددة على حمل شبكة فعلي "Darknet Dataset"، بهدف التصنيف ، بما في ذلك آلة متجه الدعم (SVM)، والغابة العشوائية (RF)، ومصنف الجار الأقرب (KNN)، والانحدار اللوجستي (LR)، وشجرة القرار (DT)، وتعزيز التدرج (GB)، والشبكة العصبونية متعدد الطبقات (MLP). تم تدريب كل مصنف واختباره على بيانات حمل شبكة حقيقية.

تشير النتائج التي توصلنا إليها إلى أن مصنفات الغابة العشوائية (RF) وشجرة القرار (DT) ومصنف الجار الأقرب (KNN) وتعزيز التدرج (GB)، والشبكة العصبونية متعدد الطبقات (MLP) حققت أعلى دقة، في التصنيف، تؤكد هذه النتائج على إمكانات نماذج التعلم الآلي هذه في تصنيف أحمال الشبكة بشكل فعال.