Spelling suggestions: "subject:"classificação dde tráfego"" "subject:"classificação dee tráfego""
1 |
Classificação de tráfego baseado em mineração de fluxos de dadosLopes Junior, Petrônio Gomes 31 January 2012 (has links)
Made available in DSpace on 2014-06-12T16:01:31Z (GMT). No. of bitstreams: 2
arquivo9422_1.pdf: 1276132 bytes, checksum: 3774a722066d704630a96e348e110df1 (MD5)
license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5)
Previous issue date: 2012 / Faculdade de Amparo à Ciência e Tecnologia do Estado de Pernambuco / Existem diversos tipos de aplicações de redes de computadores que produzem diferentes
perfis de tráfego. Para aperfeiçoar o desempenho destas aplicações ou da rede em que elas
estão incluídas, é interessante fazer medições e caracterizações do tráfego gerado por elas.
Nesse contexto, existem várias formas para classificação de tráfego como técnicas
baseadas em portas, técnicas baseadas em inspeção de pacotes e técnicas baseadas em
fluxos. De acordo com o cenário em que será aplicada, cada uma das técnicas apresenta
vantagens e desvantagens. Adicionalmente, a classificação tem que lidar com restrições de
tempo, sendo capaz de tratar os dados em tempo real.
Um possível método a ser utilizado é a classificação de tráfego baseada em fluxos
utilizando aprendizagem de máquina. No entanto, é notório que, quando se fala na
classificação de fluxos usando aprendizagem de máquina, a caracterização de tráfego ainda
necessita de uma abordagem que seja capaz de fornecer uma forma adaptativa de
treinamento além de equilibrar precisão e desempenho em um cenário de fluxo contínuo
de dados.
Este trabalho apresenta um algoritmo voltado para classificação do tráfego
baseado em técnicas de mineração de fluxos de dados aplicado a redes de alta velocidade,
denominado GSDT (GPU-based Streaming Decision Tree), além de um arcabouço para sua
aplicação. Esse algoritmo visa combinar a precisão das árvores de decisão tradicionais
com as características da mineração de fluxos de dados. O GSDT também explora o
potencial computacional fornecido por uma unidade de processamento gráfico. O
arcabouço proposto alia treinamento e classificação, a fim de obter ganhos no
desempenho da utilização do algoritmo em um ambiente real. Os experimentos realizados
avaliam a precisão do GSDT em relação às técnicas tradicionais e o desempenho das
abordagens propostas, demonstrando a viabilidade da aplicação do GSDT nos cenários
considerados e a alta performance obtida através da unidade de processamento gráfico
|
Page generated in 0.0672 seconds