Search In this Thesis
   Search In this Thesis  
العنوان
Proposed framework for software defined networking (SDN) data traffic classification based on machine learning techniques /
المؤلف
Eissa, Menas Ebrahim Abdo Abdo.
هيئة الاعداد
باحث / ميناس ابراهيم عبده عبده عيسي
مشرف / محمد عبدالعظيم محمد
مشرف / محمد ماهر عطا
مناقش / أيمن محمد بهاء الدين
مناقش / حسام الدين صلاح مصطفى
الموضوع
Machine learning techniques. Software defined.
تاريخ النشر
2023.
عدد الصفحات
online resource (147 pages) :
اللغة
الإنجليزية
الدرجة
الدكتوراه
التخصص
الهندسة
تاريخ الإجازة
1/1/2023
مكان الإجازة
جامعة المنصورة - كلية الهندسة - قسم هندسة الالكترونيات والاتصالات
الفهرس
Only 14 pages are availabe for public view

from 147

from 147

Abstract

لقد زاد عدد مستخدمي الإنترنت والأجهزة المتصلة بشكل كبير بسبب الطفرة التكنولوجية الأخيرة وإنترنت الأشياء (IoT) الذي قام بتسهيل الحياة حيث حالياً تتم الآن معالجة جدولة الشبكة وجودة الخدمة وتخصيص الموارد وقضايا الأمان عبر الشبكات المُعرفة بالبرمجيات (SDN) وتتمتع الـ SDN بالعديد من الفوائد مقارنة بالشبكات التقليدية، بما في ذلك التحكم المركزي، وإدارة حركة مرور الشبكة، وفصل مستوى التوجيه عن مستوي التحكم. يهدف الجزء الأول من هذه الأطروحة إلى تصميم وتنفيذ إطار توجيه مُدرك لحركة المرور لتحسين توجيه حركة المرور باستخدام البرمجة الخطية المتكاملة (ILP) الذي من خلاله يهدف الى تحسين جودة الخدمة (QoS) لتدفقات حركة المرور غير المتجانسة في بيئة مُحاكيه لـ SDN حيث يهدف المخطط المقترح إلى تقليل وقت التوجيه لجعل نظام التوجيه المستند إلى ILP أكثر ملاءمة للمعالجة في الوقت الفعلي، وقد أظهرت نتائج المحاكاة أن الإطار المقترح يقلل من الوقت الحسابي لمسار توجيه التدفق بنسبة 23٪ و49٪ لطوبولوجيا Abilene وGoodnet، على التوالي. بالإضافة إلى ذلك، مع 1000 تدفق في الشبكة، يقلل المخطط المقترح من عدد تدفقات الشبكة التي تنتهك جودة الخدمة بنسبة 9٪، و22٪ (مع طوبولوجيا Abilene)، و16٪، 51٪ (مع طوبولوجيا Goodnet) مقارنةً بالمخططات السابقة: أقصر مسار (SPD) وsway، على التوالي. الجزء الثاني من هذه الأطروحة مخصص لتصنيف حركة مرور الشبكة كجزء أساسي من إطار عمل التوجيه المُدرك لحركة المرور لشبكة الـ SDN ويوفر هذا النظام دقة وكفاءة في معرفة سلوكيات وأنماط تطبيقات الإنترنت المختلفة حيث أن في الآونة الأخيرة، مع ظهور SDN وقدرتها على الحصول على رؤية كاملة للشبكة باستخدام وحدة تحكم مركزية، تم استخدام التعلم الآلي (ML) لتصنيف حركة مرور الشبكة (NTC). لذلك، تم اقتراح خوارزمية NTC تعتمد على التعلم الآلي، ويشتمل الإطار على نظام تصنيف على مرحلتين، المرحلة غير المتصلة، حيث يتم تدريب المصنف واختباره، ومرحلة محاكاة الواقع، حيث يتم محاكاة التعامل مع التدفقات واختبار سرعة المصنف باستخدام spark streaming. وقد أظهرت النتائج أن المصنف يحدد بنجاح التطبيق المولد لحركة المرور بدقة 100٪ باستخدام مجموعة بيانات ”IP-network-traffic-flow-labeled-with-87-apps” ويحدد نوع حركة المرور بدقة 99.95٪ باستخدام مجموعة بيانات”ISCX-VPN-NONVPN”، بالإضافة إلى ذلك، ثبت أن سرعة المصنف تبلغ 3500 سجل / ثانية مع مدة حساب 917.3 مللي ثانية في المتوسط في حالة 3210 تدفق/ مشغل.