1. Trang chủ
  2. » Luận Văn - Báo Cáo

Phân loại luồng dữ liệu sử dụng mạng Nơ-ron

26 55 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 26
Dung lượng 1,32 MB

Nội dung

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA ⎯⎯⎯⎯⎯⎯⎯⎯⎯ HỌ VÀ TÊN TÁC GIẢ LUẬN VĂN TRẦN VĂN LÍC TÊN ĐỀ TÀI LUẬN VĂN PHÂN LOẠI LUỒNG DỮ LIỆU SỬ DỤNG MẠNG NƠ-RON Chuyên ngành: Kỹ thuật điện tử Mã số: 8520203 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỆN TỬ Đà Nẵng – Năm 2019 Cơng trình hoàn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS Phan Trần Đăng Khoa Phản biện 1: TS Hồ Phước Tiến Phản biện 2: TS Trần Thế Sơn Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ kỹ thuật điện tử họp Trường Đại học Bách khoa vào ngày 12 tháng 05 năm 2019 Có thể tìm hiểu luận văn tại: − Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa − Thư viện Khoa Điện tử - Viễn thông, Trường Đại học Bách khoa - ĐHĐN MỞ ĐẦU Trong thời đại bùng nổ công nghệ Internet of Things số lượng thiết bị mạng ngày tăng nay, việc nhận dạng luồng liệu quản lý hệ thống mạng vấn đề quan trọng cần quan tâm đặc biệt nâng cao chất lượng dịch vụ mạng QoS (Quality of Service) lĩnh vực an ninh mạng Phân loại luồng liệu mạng (Network traffic classification) việc nhận dạng loại ứng dụng giao thức mạng khác tồn hệ thống mạng Với chức giám sát, khám phá, điều khiển tối ưu hệ thống mạng, mục tiêu chung phân loại luồng liệu mạng cải thiện hiệu hoạt động mạng Khi gói phân loại giúp cho định tuyến (router) tính tốn sách (policy) dịch vụ thích hợp Điều cho phép dự đoán tốt luồng liệu mạng tương lai, phát ngăn chặn luồng liệu mạng bất thường nhằm tăng bảo mật liệu cá nhân Ngoài ra, dựa phân loại này, sách dịch vụ áp dụng với VoIP, dịch vụ giải trí trực truyến cam kết chất lượng Trong năm gần đây, việc giải vấn đề phân loại luồng liệu mạng sử dụng mơ hình học máy thu hút quan tâm nghiên cứu Dựa thuộc tính gói tin tần suất byte (byte frequencies), kích thước gói tin (packet sizes), khoảng thời gian gói tin đến (packet inter-arrival time),… mơ hình học máy Phương pháp với ưu điểm có độ xác cao xử lý nhanh so với phương pháp phân loại nêu khơng đào sâu tới phần nội dung (content) gói liệu mà sử dụng packet header để phân tích Dựa tính cấp thiết toán phân loại luồng liệu phân tích nêu tơi chọn đề tài “PHÂN LOẠI LUỒNG DỮ LIỆU SỬ DỤNG MẠNG NƠ-RON” để tối ưu việc phân loại luồng liệu mạng với độ xác cao thời gian xử lý nhanh Để thực nội dung này, luận văn chia thành chương: • Chương GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI • Chương LÝ THUYẾT VỀ MẠNG NƠ-RON VÀ LUỒNG DỮ LIỆU • Chương MƠ HÌNH PHÂN LOẠI LUỒNG DỮ LIỆU SỬ DỤNG MẠNG NƠ-RON • Chương KẾT QUẢ MÔ PHỎNG VÀ ĐÁNH GIÁ CHƯƠNG GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI 1.1 Giới thiệu Phân loại luồng liệu mạng (Network traffic classification) việc nhận dạng loại ứng dụng giao thức mạng khác tồn hệ thống mạng Với chức giám sát, khám phá, điều khiển tối ưu hệ thống mạng, mục tiêu chung phân loại luồng liệu mạng cải thiện hiệu hoạt động mạng Khi gói tin phân loại giúp cho định tuyến (router) tính tốn sách (policy) dịch vụ thích hợp Phân loại luồng liệu vấn đề cộng đồng mạng Việc nhận dạng luồng liệu quản lý hệ thống mạng vấn đề quan trọng cần quan tâm đặc biệt để nâng cao chất lượng dịch vụ mạng QoS (Quality of Service), đảm bảo an ninh mạng, cung cấp mơ hình, liệu cho hoạt động mơ phỏng, dự đốn cho ứng dụng cụ thể Mặc dù có số nghiên cứu phân loại luồng liệu thời gian qua Tuy nhiên số thách thức đáng kể sau: - Đầu tiên, phần lớn luồng liệu mạng không dễ dàng phân loại dựa vào chuẩn IANA (International Assigned Number Authority) theo danh sách port ứng dụng, ứng dụng khẩn cấp proxy thường tránh sử dụng port chuẩn [2] - Thứ hai, port ứng dụng ký hiệu giao thức không đủ để xác định ứng dụng thực tế Về ngun tắc, khơng có ràng buộc rõ ràng ứng dụng giao thức Ví dụ, ứng dụng MSN Messenger, BitTorrent Gnutella sử dụng giao thức HTTP cổng 80, Skype hoạt động cổng 80 443 [2] - Thứ ba, việc mã hóa đóng gói luồng liệu ngày tăng SOCKS proxy hay VPN làm thay đổi mơ hình giao thức gốc, mã hóa gói làm cho việc kiểm tra, đào sâu vào liệu không sử dụng [2] Chính vậy, việc nghiên cứu thuật toán phân loại luồng liệu phải đảm bảo yêu cầu sau [3]: - Hoạt động không dựa vào Port number Hơn nữa, giả sử khơng có kiến thức port ứng dụng - Không yêu cầu việc phải xem xét nội dung luồng liệu - Các đặc tính hành vi Ví dụ phân bố kích thước gói tin, kính thước cửa sổ gói TCP, cờ bit TCP hướng gói tin, suy từ packet header 1.2 Các nghiên cứu liên quan 1.3 Mục tiêu nghiên cứu Dựa tính cấp thiết toán phân loại luồng liệu phân tích nêu trên, mục tiêu luận văn xác định sau: nghiên cứu mơ hình phân loại luồng liệu dựa mạng nơ-ron nhằm nâng cao tỉ lệ phân loại tốc độ thực thi mơ hình Để thực mục tiêu đặt ra, cần phải giải vấn đề sau: - Xử lý sở liệu - Giảm số chiều không gian đặc trưng - Tối ưu kiến trúc mạng nơ-ron CHƯƠNG LÝ THUYẾT VỀ MẠNG NƠ-RON VÀ LUỒNG DỮ LIỆU MẠNG 2.1 Luồng liệu mạng Hình 2.1 Cấu trúc gói tin TCP Để đơn giản định nghĩa, giao thức TCP luồng liệu TCP lựa chọn để tập trung vào giao thức này, liệu UDP khảo sát tương lai 2.2 Mạng nơ-ron Kiến trúc mạng Nơ-ron Hình 2.2 Các ký hiệu sử dụng mạng nơ-ron Thuật toán lan truyền ngược Hình 2.3 Mơ cách tính thuật tốn lan truyền ngược Hàm softmax cross-entropy Hình 2.4 Mơ hình Softmax Regression dạng mạng nơ-ron Overfitting Overfitting tượng mơ hình tìm q khớp với liệu huấn luyện Việc khớp dẫn đến việc dự đoán nhầm nhiễu, chất lượng mơ hình khơng tốt liệu kiểm thử Về bản, overfitting xảy mơ hình phức tạp để mô liệu huấn luyện Điều đặc biệt xảy lượng liệu huấn luyện nhỏ độ phức tạp mơ hình q cao Các phương pháp để tránh overfitting trình bày mục bên 2.2.4.1 Validation Hình 2.5 Lựa chọn mơ hình dựa validation 2.2.4.2 Cross-validation Cross validation cải tiến validation với lượng liệu tập validation nhỏ chất lượng mơ hình đánh giá nhiều tập validation khác 2.2.4.3 Regularization a) Early Stopping Hình 2.6 Early Stopping Hình 2.7 thể phương pháp early stoping với đường màu xanh train error, đường màu đỏ validation error Trục x số lượng vòng lặp, trục y error Mơ hình xác định vòng lặp mà validation error đạt giá trị nhỏ b) Thành phần ổn định hóa Kỹ thuật regularization phổ biến thêm vào hàm mát số hạng Số hạng thường dùng để đánh giá độ phức tạp mơ hình CHƯƠNG MƠ HÌNH PHÂN LOẠI LUỒNG DỮ LIỆU SỬ DỤNG MẠNG NƠ-RON 3.1 Cơ sở liệu Bảng 3.1 Thống kê tập liệu Tập Thời gian bắt đầu liệu Thời gian kết Khoảng thúc thời gian Số Flows Entry01 00:34:21 01:04:43 1821.8 24863 Entry02 01:37:37 02:05:54 1696.7 23801 Entry03 02:45:19 03:14:03 1724.1 22932 Entry04 04:03:31 04:33:15 1784.1 22285 Entry05 04:39:10 05:09:05 1794.9 21648 Entry06 06:07:28 06:35:06 1658.5 19384 Entry07 09:42:17 10:11:16 1739.2 55835 Entry08 11:52:40 12:20:26 1665.9 55494 Entry09 13:45:37 14:13:21 1664.5 66248 Entry10 14:55:44 15:22:37 15:22:37 65036 Bảng 3.2 Các lớp phân loại luồng liệu mạng Ứng dụng Phân loại BULK ftp-control, ftp-pasv, ftp-data DATABASE postgres, sqlnet oracle, ingres INTERACTIVE ssh klogin, rlogin, telnet MAIL imap, pop2/3, smtp SERVICES X11, dns ident, ldap, ntp Chuẩn hóa thuộc tính định danh Như trình bày trên, ta cần phải biến đổi đặc trưng định danh (cụ thể server port client port) sang giá trị định lượng để sử dụng làm đầu vào mơ hình Chuẩn hóa liệu đầu vào (kích thước) Để đảm bảo cơng đặc trưng, ta cần phải chuẩn hóa giá trị sở liệu đặc trưng Việc chuẩn hóa nhằm đảm bảo giá trị đặc trưng có giá trị trung bình độ lệch chuẩn Phân bố sở liệu Giảm số chiều không gian đặc trưng Khác với nghiên cứu liên quan, nghiên cứu này, thực việc giảm số chiều không gian đặc trưng theo hướng chọn lọc đặc trưng thông qua bước: o Tập đặc trưng chọn lọc sơ dựa thuật toán Neighborhood Component Analysis (NCA) o Tập đặc trưng tiếp tục chọn lọc từ tập thu từ bước thông qua phương thức chọn lọc đặc trưng Sequential Feature Selection (SFS) 3.2.5.1 Thuật toán NCA 3.2.5.2 Chọn lọc đặc trưng Gia tăng sở liệu Trong sở liệu sử dụng, số nhóm có số lượng mẫu GAME (0.002%), INTERACTIVE (0.017%) Kết huấn luyện kiểm thử trình bày mục 4.5 cho thấy mơ hình tập trung học đặc trưng để phân loại nhóm có số lượng mẫu chiếm đa số, nhóm thiểu số gần khơng phân loại Để khắc phục vấn đề này, ta cần phải tăng trọng số mẫu nhóm thiểu số 10 3.3 Cấu hình mạng nơ-ron Cấu hình mạng nơ-ron sử dụng nghiên cứu sau: - Lớp đầu vào: số lượng đầu vào phụ thuộc vào số lượng đặc trưng Trong phần thực nghiệm, khảo sát ảnh hưởng số lượng đầu vào đến kết phân loại tốc độ thực thi mô hình - Lớp ẩn: gồm có lớp ẩn với số nơ-ron điều chỉnh nhằm đạt kết phân loại tốt Các hàm kích hoạt khác (Sigmod, Tanh, ReLU) sử dụng để đánh giá so sánh - Lớp đầu ra: gồm có 12 đầu tương ứng với 12 nhóm Nhãn mẫu biểu diễn theo dạng one-hot encoding Hàm Softmax sử dụng để tính phân bố xác suất đầu - Hàm mát Cross-entropy 11 CHƯƠNG KẾT QUẢ MƠ PHỊNG VÀ ĐÁNH GIÁ Chương trình bày kết mơ nhằm đánh giá ảnh hưởng yếu tố khác số nơ-ron lớp ẩn, hàm kích hoạt, số lượng đặc trưng lên hiệu phân loại tốc độ thực thi mơ hình 4.1 Điều kiện tiến hành mô Việc xử lý sở liệu thực thi mơ hình mạng nơ-ron thực môi trường Matlab Mô thực máy tính có cấu sau: • Bộ vi xử lý: Xeon E5-2630 - 2.40 GHz • Bộ nhớ RAM: 32 GB • GPU: VGA NVIDIA TITAN V 12GB • Mơi trường: MATLAB R2018a 4.2 Tiêu chí đánh giá Tiêu chí đánh giá lựa chọn tỷ lệ phân loại tính tỷ số số mẫu phân loại tổng số mẫu Tỷ lệ đánh giá khơng cho tồn tập liệu mà cho nhóm Ngồi ra, tốc độ thực thi mơ hình đánh giá 4.3 Đánh giá kiến trúc mạng nơ-ron Để đánh giá kiến trúc mạng khác nhau, ta thay đổi số lượng nơ-ron lớp ẩn xem xét tỉ lệ phân loại cho tập liệu huấn luyện kiểm thử Toàn 248 đặc trưng sử dụng để phân loại Quá trình huấn luyện sử dụng kỹ thuật Early Stopping ổn định hóa Ví dụ thay đổi giá trị hàm mát tập liệu huấn luyện, kiểm thử validation theo số epoch cho Hình 4.1 Sai số tập validation sử dụng để làm điều kiện dừng huấn luyện 12 Hình 4.1 Sự thay đổi hàm mát với tập huấn luyện, kiểm thử validation Ảnh hưởng số lượng nơ-ron lớp ẩn hàm kích hoạt đến kết phân loại thể Hình 4.2 Tồn 248 đặc trưng sử dụng để phân loại 13 Hình 4.2 Sự phụ thuộc kết phân loại vào số lượng nơ-ron lớp ẩn hàm kích hoạt Hình 4.2 cho thấy hàm sigmod cho kết phân loại ổn định cho kết phân loại tốt so với hàm ReLu Do đó, chúng tơi sử dụng hàm sigmod mơ hình mạng để tiếp tục đánh giá ảnh hưởng yếu tố khác 4.4 Đánh giá ảnh hưởng số lượng đặc trưng Trong phần này, tập đặc trưng chọn lọc sơ dựa thuật toán Neighborhood Component Analysis (NCA) Tiếp theo, tập đặc trưng tiếp tục chọn lọc từ tập thu từ bước thông qua phương thức chọn lọc đặc trưng Sequential Feature Selection (SFS) để chọn nhóm 10, 20, 30, 40 50 đặc trưng có ảnh hưởng nhất, đặt tên Top 10, Top 20, Top 30, Top 40, Top 50 kết cho Top đặc trưng cho toàn (248) đặc trưng thể Hình 4.3 đến Hình 4.8 Ngồi ra, phương pháp giảm 14 số chiều không gian sử dụng phổ biến PCA (Principal Component Analysis) xem xét Hình 4.9 Biết rằng, PCA thuật tốn biến đổi khơng gian đặc trưng dựa phương sai giá trị đặc trưng, từ lựa chọn khơng gian với số chiều để thể liệu Thông tin chi tiết PCA nằm PHỤ LỤC B Hình 4.3 Kết thực cho việc chọn Top 10 đặc trưng 15 Hình 4.4 Kết thực cho việc chọn Top 20 đặc trưng Hình 4.5 Kết thực cho việc chọn Top 30 đặc trưng 16 Hình 4.6 Kết thực cho việc chọn Top 40 đặc trưng Hình 4.7 Kết thực cho việc chọn Top 50 đặc trưng 17 Hình 4.8 Kết thực với tất đặc trưng Hình 4.9 Kết cho việc sử dụng PCA chọn nhóm 50 đặc trưng 18 Bảng 4.1 Bảng so sánh ảnh hưởng số lượng đặc trưng Số đặc trưng Train (%) Test (%) Số nơ-ron lớp Thời gian ẩn thực thi (𝝁𝒔) 10 94.52 88.37 18 1.9397 20 98.79 95.32 24 1.9457 30 99.07 97.43 16 2.0160 40 99.38 97.38 26 2.0361 50 99.06 97.17 12 2.2671 PCA (50) 98.43 96.4 18 2.304 Tất (248) 99.73 98.29 24 2.4051 Để đảm bảo yêu cầu đặt độ xác tốc độ thực thi mơ hình Từ Bảng 4.1, thấy rằng, số đặc trưng 30 cho kết sát với mục tiêu đặt với độ xác cao tập kiểm thử khác biệt thấp kết huấn luyện kiểm thử (tương ứng đạt 99.07% 97.43%) Cùng với thời gian thực thi mức hợp lý với 2.0160 𝜇𝑠 Kết đánh giá độ ổn định mơ hình theo thời gian (được cho Bảng 4.2) củng cố thêm kết luận Đối với phương pháp giảm số chiều đặc trưng sử dụng PCA chọn 50 đặc trưng cho kết thấp tập huấn luyện tập kiểm thử so với việc chọn Top 50 sử dụng NCA SFS Cụ thể, với tập huấn luyện kiểm thử, phương pháp PCA đạt tương ứng với 98.42% 96.4%, đó, với việc sử dụng NCA SFS, kết đạt tốt ứng với 99.06% 97.17% Điều lý giải PCA tạo đặc trưng thông qua biến đổi không gian đặc trưng mà khơng phụ thuộc vào mơ hình Ngồi ra, thấy phương pháp sử dụng PCA cho độ trễ cao với độ trễ 2.304 𝜇𝑠 Lý dễ hiểu với phương pháp 19 mơ hình cần thời gian để xử lý liệu trước đưa vào mơ hình, so với việc lựa chọn trước đặc trưng thực với phương pháp sử dụng NCA SFS 4.5 Đánh giá ảnh hưởng việc gia tăng liệu Do sở liệu không cân đa số mẫu thuộc vài nhóm nên để tang tỉ lệ phân loại cho nhóm thiểu số ta cần phải tăng trọng số cho nhóm cách gia tăng liệu cho nhóm Ảnh hưởng việc gia tăng sở liệu đến kết phân loại tập huấn luyện tập kiểm thử thể thông qua confusion matrix cho Hình 4.10 Hình 4.11 Với confusion matrix, phần hàng tương ứng với đầu dự đoán (lớp đầu mạng nơ-ron) phần cột tương ứng với lớp mong đợi Các ô chéo tương ứng với mẫu phân loại Các lại tương ứng với mẫu bị phân loại sai Số lượng mẫu phần trăm tổng số mẫu thể Phần cột phía bên phải thể phần trăm tất mẫu dự đốn ứng với nhóm khơng Phần hàng cuối hình thể phần trăm mẫu ứng với nhóm khơng Ơ cuối bên phải thể độ xác tổng thể mơ hình Trong sở liệu này, tập trung nâng cao tỉ lệ phân loại cho nhóm 10 11 ứng với INTERACTIVE GAME Số lượng mẫu nhóm 33 4, phân chia cho tập huấn luyện kiểm thử theo số lượng 23-10 3-1 Hình 4.10.a cho thấy rằng, trường hợp chưa gia tăng sở liệu, nhóm thiểu số gồm nhóm 10 nhóm 11 ứng với INTERACTIVE (số lượng mẫu 23) GAME (số lượng mẫu 3) có tỉ lệ phân loại 0% Kết lặp lại tập kiểm thử (Hình 4.11a) Để giải vấn đề trên, qua việc tăng trọng số nhóm thiểu số cách chép mẫu nhóm kết hợp với việc thêm nhiễu thể Hình 4.10.b, thấy số lượng mẫu nhóm 10 11 tăng lên 2323 303 Tỉ lệ phân loại cho nhóm tập huấn luyện 100% 20 a) b) 21 Hình 4.10 Confusion matrix tập huấn luyện a) trước b) sau gia tăng Output class liệu 10 11 12 4578 52 57 26 1 0 55 778 0 0 0 11 2 254 1 0 0 13 1 138 0 0 99 188 10 15 0 49 Test confusion matrix 80 29 223 1277 4 0 0 1 Target Class 2 37 12 109 0 11 373 0 1 0 10 0 0 0 0 0 11 24 10 396 81 0 48067 12 1 18 132 0 0 11 367 3 0 0 2 0 10 0 0 0 0 0 11 23 50 80 138 165 73 48045 12 Output class a) 10 11 12 4582 26 11 48 11 39 12 122 717 0 0 2 260 0 0 140 10 0 99 164 42 5 37 Test confusion matrix 2 1 85 16 221 1289 10 1 6 Target Class b) Hình 4.11 Confusion matrix tập kiểm thử a) trước b) sau gia tăng liệu 4.6 Đánh giá độ ổn định mơ hình theo thời gian Để đánh giá độ ổn định mô hình theo thời gian, chúng tơi sử dụng sở liệu khác thu thập từ máy chủ sau 12 tháng Kết mơ hình khác cho Bảng 4.2 22 Bảng 4.2 Kết cho cho tập liệu thu thập từ máy chủ sau 12 tháng Số đặc trưng Test 10 83.873 20 89.101 30 84.052 40 86.686 50 92.097 PCA (50) 88.271 Tất (248) 79.466 Từ kết Bảng 4.2 thấy rằng, việc sử dụng nhiều đặc trưng chưa tốt mô hình đưa vào kiểm thử, kết huấn luyện đạt kết tốt, với toàn 248 đặc trưng sử dụng, kết huấn luyện đạt cao, nhiên kết kiểm thử cho tập liệu lại đạt 79.466% Lý giải thích việc sử dụng q nhiều đặc trưng có thơng tin dư thừa (redundant), gây nhiễu, dẫn tới việc mơ hình học đặc trưng khơng hữu ích Do đó, cho mơ hình kiểm thử liệu thời điểm (phân bố tương tự) cho kết tốt, kiểm thử liệu thời điểm khác (phân bố thay đổi) kết giảm Còn việc chọn lọc đặc trưng lựa chọn đặc trưng hữu ích cho việc phân loại phù hợp với mơ hình nên ổnđịnh Đối với phương pháp giảm không gian đặc trưng sử dụng PCA, lựa chọn đặc trưng phù hợp, thử nghiệm với liệu thời điểm khác cho kết phân loại thấp (88.271%) Qua thấy rằng, phương pháp giảm khơng gian đặc trưng dựa vào mơ NCA SFS cho kết ổn định với thay đổi liệu thời điểm khác 23 KẾT LUẬN VÀ KIẾN NGHỊ Trong luận văn này, chúng tơi nghiên cứu mơ hình phân loại luồng liệu dựa mạng nơ-ron Để nâng cao tỷ lệ nhận dạng tốc độ thực thi mô hình, chúng tơi sử dụng phương pháp chọn lọc đặc trưng để giảm số chiều không gian đặc trưng Ngoài ra, kỹ thuật gia tăng liệu áp dụng để nâng cao tỷ lệ phân loại nhóm có số lượng mẫu Trong phần mô phỏng, đánh giá ảnh hưởng yếu tố khác (số nơ-ron lớp ẩn, hàm kích hoạt, số lượng đặc trưng, kỹ thuật gia tăng liệu) vào hiệu phân loại mơ hình Mơ hình nghiên cứu đối sánh với mơ hình khác Kết cho thấy bước xử lý liệu lựa chọn kiến trúc mạng nơ-ron cải thiện hiệu phân loại mơ hình Trong nghiên cứu tiếp theo, chúng tơi dự định thực hiện: - Triển khai thực nghiệm mô hình thơng qua liệu thu thập thực tế - Áp dụng mơ hình học sâu để phân loại luồng liệu dựa số lượng cố định byte luồng liệu 24 ... VỀ MẠNG NƠ-RON VÀ LUỒNG DỮ LIỆU • Chương MƠ HÌNH PHÂN LOẠI LUỒNG DỮ LIỆU SỬ DỤNG MẠNG NƠ-RON • Chương KẾT QUẢ MƠ PHỎNG VÀ ĐÁNH GIÁ CHƯƠNG GIỚI THIỆU TỔNG QUAN VỀ ĐỀ TÀI 1.1 Giới thiệu Phân loại. .. pháp phân loại nêu khơng đào sâu tới phần nội dung (content) gói liệu mà sử dụng packet header để phân tích Dựa tính cấp thiết toán phân loại luồng liệu phân tích nêu tơi chọn đề tài “PHÂN LOẠI LUỒNG... chung phân loại luồng liệu mạng cải thiện hiệu hoạt động mạng Khi gói tin phân loại giúp cho định tuyến (router) tính tốn sách (policy) dịch vụ thích hợp Phân loại luồng liệu vấn đề cộng đồng mạng

Ngày đăng: 15/06/2020, 20:41

TỪ KHÓA LIÊN QUAN