Computer Network Traffic Classification Using Machine Learning Technique
| العنوان بلغة أخرى: |
تصنيف حركة المرور فى شبكات الحاسوب باستخدام تقنية تعلم الآلة |
|---|---|
| المؤلف الرئيسي: | Abu Samhadanh, Nosaiba Hamdan (Author) |
| مؤلفين آخرين: | Al Kasassbeh, Mouhammd (Advisor) |
| التاريخ الميلادي: |
2015
|
| موقع: | الكرك |
| الصفحات: | 1 - 65 |
| رقم MD: | 785470 |
| نوع المحتوى: | رسائل جامعية |
| اللغة: | الإنجليزية |
| الدرجة العلمية: | رسالة ماجستير |
| الجامعة: | جامعة مؤتة |
| الكلية: | عمادة الدراسات العليا |
| الدولة: | الاردن |
| قواعد المعلومات: | Dissertations |
| مواضيع: | |
| رابط المحتوى: |
عدد مرات التحميل
93
| المستخلص: |
في السنوات الأخيرة ازدادت وتطورت استخدامات الإنترنت. وقد تطورت العديد من التطبيقات الحديثة لتسهيل عملية التواصل الاجتماعي. بحيث أصبحت عملية تصنيف حركة المرور تبدو كعلم في حد ذاته على شبكة الإنترنت في الوقت الحاضر. في هذه الأطروحة قمنا بإنشاء قاعدة بيانات جديدة وقيمناها من خلال أربعه من خوارزميات تعلم الآلة: (meta.Adaboost (j48), Random forest, J48) and MLP. بالإضافة إلى ذلك، قمنا بتقسيم عمليه التصنيف لحالتين: تطبيقات غير صوتيه عبر الأنترنت وتطبيقات صوتيه عبر الأنترنت. وتدعى الحالة الثانية بــ متعددة الفئات (Multiclasses) والتي تحتوي خمسة تطبيقات (classes) وهي: (PayPal, Gtalk, Yahoo Messenger, Skype and YouTube). اختيرت هذه التطبيقات من طبقة تسمى Transport Layer (TL)). تم إنشاء قاعدة البيانات المنشأة والتي تم جمعها من خلال عمليات مختلفة وهي: التقاط البيانات، استخراج الخصائص وتصنيف البيانات المستخرجة، استخدمنا أيضا أربع خصائص إحصائية. تحتوي قاعدة البيانات التي أنشأناها هنا على بيانات حقيقية من شبكة حية تم جمعها باستخدام اختبارات تجريبية من بيئة تجريبية ضمن بيئة الحرم الجامعي. لحالتي التصنيف (Non-VOIP and VOIP) و (Multiclasses) حقق المصنف (meta.Adaboost(j48)) أعلى مستوى دقة بين المصنفات الأخرى، ونتيجته تساوي 98.6605% و 98.3007 % على التوالي. بينما حقق المصنف J48 أقل وقت بين المصنفات الأخرى لبناء نموذج التدريب لكل من حالتي التصنيف. وأيضا المصنف MLP إستغرق أكبر وقت من بين المصنفات الأخرى لبناء نموذج التدريب لكلا حالتي التصنيف. |
|---|
عناصر مشابهة
-
Proposing a Model for Detecting Intrusion Network Attacks Using Machine Learning Techniques
بواسطة: جاسم، طيبة علي منشور: (2022) -
Identification of Voip Encrypted Traffic Using A Machine Learning Approach
بواسطة: Alshammari, Riyad منشور: (2015) -
Attitudes Classification Model of Palestinian Twitter Users Using Machine Learning Techniques
بواسطة: Safi, Haifaa Wajeeh منشور: (2020) -
Traffic Sign Classification Using Deep Learning Based Convolutional Neural Networks
بواسطة: Abougarair, Ahmed Jaber منشور: (2022) -
Traffic Signs Classification under Challenging Conditions Using Deep Neural Network
بواسطة: أبو شقرة، غادة عبدالرحيم خليل منشور: (2020)
