Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması Fatih ERTAM Engin AVCI AB2016-Aydın.

Benzer bir sunumlar


... konulu sunumlar: "Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması Fatih ERTAM Engin AVCI AB2016-Aydın."— Sunum transkripti:

1 Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması Fatih ERTAM Engin AVCI AB2016-Aydın

2 Internet Trafik Sınıflandırma Internet trafiğinin sınıflandırılması özellikle kurumsal ağlarda hizmet kalitesinin artırılabilmesi, ağın performanslı kullanılabilmesi, yeni internet hizmet paketlerinin oluşturulabilmesi, bant genişliği için kaynaklarının paylaştırılabilmesi, trafik analizlerinin yapılabilmesi gibi amaçları karşılayabilmesi için son zamanlarda sıklıkla kullanılmaktadır. Port Tabanlı Yük Tabanlı Makine Öğrenmesi Tabanlı AB2016-Aydın

3 Verilerin Alınması Omurga Anahtarlama cihazında port mirroring Wireshark veya tcpdump yazılımları ile pcap dosyalarında akışların toplanması Toplanan verilerden öz niteliklerin ve sınıfların oluşturulması (fullstats yazılımı ile) AB2016-Aydın

4 Verilerin Analizi Toplam 6000 Adet veri eğitim için (her sınıftan 1000 Adet), 4500 Adet veri test için (her sınıftan 750 Adet) kullanılmıştır. ÖznitelikAçıklaması 1server port 2client port 45actual_data_pkts (client --> server) 59pushed_data_pkts (client --> server) 60pushed_data_pkts (server -->client) 83min_segm_size (client-->server) 86avg_segm_size (server -->client) 95initial_windows_bytes (client -->server) 96initial_windows_bytes (server -->client) 113RTT_samples (client-->server) 162med_data_ip (client-->server) 180var_data_wire (server -->client) AB2016-Aydın NoSınıf TipiAçıklaması 1 Saldırı ddos 2 Noktadan Noktaya bittorrent 3 Mail Pop3,smtp 4 Web http, https 5 Servis DNS 6 Veri tabanı Mysql, mssql

5 Extreme Learning Machines Gelişime açık Hızlı çalışma Aktivasyon FonksiyonuDoğruluk YüzdesiÖğrenme Zamanı (saniye) Sin hardlim Tansig Sig Tribas Radbas Rbf AB2016-Aydın Gizli Nöron SayısıDoğruluk YüzdesiÇalışma Zamanı (saniye) Tansig Radbas Tansig Radbas Tansig Radbas Tansig Radbas Tansig Radbas Tansig Radbas Sınıflandırma Metodu Doğruluk Yüzdesi Çalışma Zamanı (saniye) YSA DVM UÖM (Radial Basis, 320 nöron)

6 Sonuçlar Kampüs ağı üzerinden akan ağ trafik bilgisi ile elde edilen verilerin sınıflandırılması işlemi için hem YSA, DVM gibi klasik sınıflandırma yöntemleri kullanılmış hem de UÖM gibi yeni sayılabilecek sınıflandırma yöntemleri kullanılarak karşılaştırılmıştır. Kullanılan aktivasyon fonksiyonlarından radial basis ve tanjant sigmoid fonksiyonları ile elde edilen başarım oranının daha yüksek olduğu görülmüştür. Radial basis ve tanjant sigmoid aktivasyon fonksiyonlarının kullanıldığı UÖM yönteminde gizli nöron sayıları değiştirilerek karşılaştırma yapılmıştır. Gizli nöron sayılarının artması ile sınıflandırma başarım oranının yükseldiği gözlenmiştir. Gizli nöron sayısı 20 den başlanılarak her seferinde iki kat artırılmıştır. 640 Adet gizli nöron sayısından sonra doğruluk oranının çok fazla değişmediği ve yaklaşık aynı değerlerde çıktığı gözlenmiştir.

7 Teşekkürler… Fatih Ertam Engin Avcı AB2016-Aydın


"Uç Öğrenme Makineleri Kullanılarak Internet Trafik Bilgisinin Sınıflandırılması Fatih ERTAM Engin AVCI AB2016-Aydın." indir ppt

Benzer bir sunumlar


Google Reklamları