• صفحه اصلی
  • تحليل داده هاي ترافيکي با هدف تشخيص ازدحام با بهره گيري از الگوريتم هاي يادگيري ماشين

اشتراک گذاری

آدرس مقاله


کد مقاله : بازدید : 1303 صفحه: -

نوع مقاله: پژوهشی

تحليل داده هاي ترافيکي با هدف تشخيص ازدحام با بهره گيري از الگوريتم هاي يادگيري ماشين

محورهای موضوعی : هوش مصنوعی و رباتیک

ناهید امانی 1 , محمدحسین عامری مهر 2 , سارا افاضاتی 3 * , علی جاویدانی 4

1 - گروه مدیریت یکپارچه شبکه، پژوهشکده فناوری ارتباطات، پژوهشگاه ارتباطات و فناوری اطلاعات ، تهران، ایران
2 - گروه مدیریت یکپارچه شبکه، پژوهشکده فناوری ارتباطات، پژوهشگاه ارتباطات و فناوری اطلاعات ، تهران، ایران
3 - گروه مدیریت یکپارچه شبکه، پژوهشکده فناوری ارتباطات، پژوهشگاه ارتباطات و فناوری اطلاعات ، تهران، ایران
4 - دانشکده مهندسی برق و کامپیوتر، دانشکدگان فنی، دانشگاه تهران

تاریخ پذیرش : 1403/11/27 تاریخ انتشار : 1404/05/11

کلید واژه:

چکیده مقاله :

شناسايي ازدحام يکي از ارکان پايه­ اي در تضمين کيفيت خدمت به عنوان مهم­ترين معيار سنجش کارايي در شبکه ­هاي مخابراتي نسل جديد است. ازدحام منجر به از دست رفتن بسته­ هاي اطلاعاتي در شبکه مي شود که به دليل بالاتر بودن نرخ ارسال از ظرفيت در برخي از لينک‌هاي شبکه رخ مي دهد. براي کنترل ازدحام در شبکه گام نخست تمايز ميان از دست رفتن اطلاعات در اثر ازدحام و يا در اثر ساير موارد از جمله خرابي لينک است زيرا در صورتي که منشا از دست رفتن بسته به اشتباه ازدحام تشخيص داده شود کاهش نرخ ارسال در فرستنده کمکي به کاهش ازدحام نکرده و تنها موجب کاهش گذردهي و کيفيت سرويس مي شود. از اين رو مسئله اصلي اين مقاله شناسايي ازدحام و تفکیک آن از خطاي ناشي از لينک ­هاي ارتباطي در يک نمونه داده ترافيکي است. در اين مقاله براي حل مسئله مذکور از الگوريتم ­هاي مختلف يادگيري ماشين نظارت­شده از جمله درخت تصميم، جنگل تصادفي، ماشين بردار پشتيبان، لجيستيک رگرسيون، K-نزديکترين همسايه، XGBoost، شبکه عصبي و تقويت درخت تصميم بهره گرفته شده است. الگوريتم­ هاي مذکور بر اساس معيارهاي مختلف از جمله دقت، درستی، F1-measure، حساسیت و AUC مورد ارزيابي قرار گرفته و با يکديگر مقايسه شده ­اند. اين ارزيابي بر اساس روش K-fold Cross Validation انجام شده است. نتایج شبیه‌سازی نشان‌ می‌دهد که الگوریتم XGBoost به لحاظ تمام معیارهای ارزیابی نسبت به دیگر الگوریتم‌ها عملکرد بهتری در زمینه تشخیص ازدحام دارد.

چکیده انگلیسی:

Congestion detection is one of the basic elements in guaranteeing the quality of service and is one of the most important measures of efficiency in new-generation telecommunication networks. Congestion leads to the loss of information packets in the network because the sending rate is higher than the capacity in some network links. To control congestion in the network, the first step is to distinguish between the loss of packets due to congestion with the packet loss introduced by other cases, including link failure. Because if the source of the loss is mistakenly identified as congestion, reducing the sending rate in the transmitter does not mitigate the congestion and only reduces throughput and quality of service. Therefore, the main problem of this paper is to identify congestion and distinguish it from the error caused by communication links in a traffic data sample. In solving this problem, various supervised machine learning algorithms including decision tree, random forest, support vector machine, logistic regression, K-nearest neighbor, XGBoost, and neural network have been used. The mentioned algorithms have been evaluated based on different criteria and compared with each other.

منابع و مأخذ:
متن کامل:


 

        

img0G:\دوفصلنامه ارتباطات و فناوری اطلاعات\ITRC-Logo\English.png 

Journal of Information and

Communication Technology

 

Volume 17, Issue 63-64, Spring and Summer 2025, pp. 155-165

 

 

Analysis of Traffic Data for Congestion Detection Using Machine Learning Algorithms

 

Nahid Amani1, Mohammad Hossein Amerimehr1, Sara Efazati11, Ali Javidani2

1 ICT Research Institute (ITRC), Tehran, Iran

2 School of Electrical and Computer Engineering, College of Engineering, University of Tehran, Tehran, Iran

 

 

Received: 01 July 2024, Revised: 20 January 2025, Accepted: 15 February 2025

Paper type: Research

 

 

Abstract

Congestion detection is one of the basic elements in guaranteeing the quality of service and is one of the most important measures of efficiency in new-generation telecommunication networks. Congestion leads to the loss of information packets in the network because the sending rate is higher than the capacity in some network links. To control congestion in the network, the first step is to distinguish between the loss of packets due to congestion with the packet loss introduced by other cases, including link failure. Because if the source of the loss is mistakenly identified as congestion, reducing the sending rate in the transmitter does not mitigate the congestion and only reduces throughput and quality of service. Therefore, the main problem of this paper is to identify congestion and distinguish it from the error caused by communication links in a traffic data sample. In solving this problem, various supervised machine learning algorithms including decision tree, random forest, support vector machine, logistic regression, K-nearest neighbor, XGBoost, and neural network have been used. The mentioned algorithms have been evaluated based on different criteria and compared with each other.

 

Keywords: Congestion Detection, Machine Learning, XGBoost, Evaluation Criteria of ML Algorithms.


 

 

تحليل داده‌هاي ترافيکي با هدف تشخيص ازدحام با بهره­گيري از الگوريتم­هاي يادگيري ماشين

 

ناهید امانی1، محمدحسین عامری‌مهر1، سارا افاضاتی12، علی جاویدانی2

1 گروه مدیریت یکپارچه شبکه، پژوهشکده فناوری ارتباطات، پژوهشگاه ارتباطات و فناوری اطلاعات ، تهران، ایران

2 دانشکده مهندسی برق و کامپیوتر، دانشکدگان فنی، دانشگاه تهران، تهران، ایران

 

تاریخ دریافت: 11/04/1403      تاریخ بازبینی: 01/11/1403      تاریخ پذیرش: 27/11/1403

نوع مقاله: پژوهشی

 

چکيده

شناسايي ازدحام يکي از ارکان پايه­اي در تضمين کيفيت خدمت به عنوان مهم­ترين معيار سنجش کارايي در شبکه­هاي مخابراتي نسل جديد است. ازدحام منجر به از دست رفتن بسته­هاي اطلاعاتي در شبکه ميشود که به دليل بالاتر بودن نرخ ارسال از ظرفيت در برخي از لينک‌هاي شبکه رخ ميدهد. براي کنترل ازدحام در شبکه گام نخست تمايز ميان از دست رفتن اطلاعات در اثر ازدحام و يا در اثر ساير موارد از جمله خرابي لينک است زيرا در صورتي که منشا از دست رفتن بسته به اشتباه ازدحام تشخيص داده شود کاهش نرخ ارسال در فرستنده کمکي به کاهش ازدحام نکرده و تنها موجب کاهش گذردهي و کيفيت سرويس مي شود. از اين رو مسئله اصلي اين مقاله شناسايي ازدحام و تفکیک آن از خطاي ناشي از لينک­هاي ارتباطي در يک نمونه داده ترافيکي است. در اين مقاله براي حل مسئله مذکور از الگوريتم­هاي مختلف يادگيري ماشين نظارت­شده از جمله درخت تصميم، جنگل تصادفي، ماشين بردار پشتيبان، لجيستيک رگرسيون، K-نزديکترين همسايه، XGBoost، شبکه عصبي و تقويت درخت تصميم بهره گرفته شده است. الگوريتم­هاي مذکور بر اساس معيارهاي مختلف از جمله دقت، درستی، F1-measure، حساسیت و AUC مورد ارزيابي قرار گرفته و با يکديگر مقايسه شده­اند. اين ارزيابي بر اساس روش K-fold Cross Validation انجام شده است. نتایج شبیه‌سازی نشان‌ می‌دهد که الگوریتم XGBoost به لحاظ تمام معیارهای ارزیابی نسبت به دیگر الگوریتم‌ها عملکرد بهتری در زمینه تشخیص ازدحام دارد.

 

کلیدواژگان: تشخیص ازدحام، يادگيري ماشين، XGBoost، معیارهای ارزیابی الگوریتم­های یادگیری ماشین

 


 

 

[1] *  Corresponding Author’s email: s.efazati@itrc.ac.ir

[2] * رایانامة نويسنده مسؤول: s.efazati@itrc.ac.ir

1-       مقدمه 

امروزه با توسعه سريع فناوري­ها، تقاضا براي سرويس­هاي متنوع مخابراتي با کيفيت­هاي مورد انتظار متنوع به طور گسترده­اي افزايش يافته است. از اين رو فراهم کردن کيفيت خدمت (QoS) و جلب رضايت­مندي مشتريان از اهداف اساسي نسل­هاي جديد شبکه­هاي مخابراتي ازجمله 5G، B5G و 6G مي­باشد[1-2]. در راستاي رسيدن به هدف تضمين QoS راهکارهاي مختلفي توسط محققان ارائه و پياده­سازي شده است. يکي از راهکارهاي کليدي در تضمين QoS کنترل ازدحام در ترافيک شبکه است[3]. منظور از ازدحام شرايطي در شبکه است که بسته‌هاي ارسالي دقيقا به علت شلوغي و ازدحام شبکه گم مي­شوند. به عبارت ديگر ازدحام به حالتي گفته مي­شود که نرخ ارسال در برخي از لينک­هاي شبکه از ظرفيت لينک بيشتر شده که موجب از دست رفتن بسته يا تاخير زياد در ارسال بسته مي­شود. در روش­هاي سنتي تشخيص و کنترل ازدحام به طور ضمني از تاخير و اتلاف بسته براي تشخيص ازدحام و تغيير سايز پنجره ازدحام (CWND) استفاده مي­شود. به عنوان مثال در روش TCP Tahoe در ابتداي الگوريتم CWND تا رسيدن به حد آستانه افزايش مي­يابد و مرتبا دو برابر مي­شود [4]. سپس در گام بعد در صورتي که از دست رفتن بسته مشاهده نشود (ACK بسته دريافت شود)، CWND به اندازه يک واحد افزايش مي­يابد. اما در صورت اتلاف بسته حدآستانه برابر با نصف مقدارCWND فعلي قرار داده مي­شود و CWND نيز به مقدار اوليه بازنشاني مي­شود. در الگوريتم­هاي ديگر مثل TCP Reno و TCP New Reno نيز مشابه با TCP Tahoe با توجه به از دست رفتن بسته، CWND و بالطبع نرخ ارسال تغيير مي­کند تا ازدحام در شبکه کنترل شود [5-6]. در روش TCP Vegas، تغيير CWND بر اساس ميزان تاخير ارسال بسته (RTT) انجام مي­شود [5].

مشکل روش­هاي سنتي کنترل ازدحام آن است که نمي­توانند منشا از دست رفتن بسته را تشخيص دهند و هر اتلاف بسته را ناشی از ازدحام تلقی کرده و راهکارهای کنترلی را اعمال می­کنند. در حالیکه اتلاف بسته به ویژه در شبکه­های بی­سیم می­تواند ناشی از بروز خطا در لینک­های ارتباطی به واسطه عواملی همچون نویز، محوشدگی کانال بی­سیم، تداخل، تحرک کاربران و handover، قطع شدن به دلیل پوشش محدود رادیویی، تاخیر و... باشد. عدم تشخیص ازدحام از سایر عوامل از دست رفتن بسته و اعمال مکانیزم­های کنترل ازدحام مانند کاهش CWND بي­مورد بوده و تنها باعث افت گذردهي و عملکرد شبکه مي­شود. لذا تشخيص منشا از دست رفتن بسته و تشخیص ازدحام امری بسيار مهم و قابل توجه به شمار می‌رود. در روش­های سنتي، تشخيص ازدحام به طور ضمني از روي تاخير و اتلاف بسته بر اساس یک سری قوانین از پیش­تعریف شده محاسبه مي­شود [7]. در حالیکه روش­های مبتنی بر قانون­های از پیش تعریف شده بهینه نبوده و در شرایط واقعی ممکن است عملکرد مناسبی از خود ارائه ندهند. از این رو روش­های هوشمند مبتنی بر یادگیری ماشین در حل این مسئله مطرح می­شوند.

در روش مبتني بر يادگيري ماشين از روي وضعيت شبکه تشخيص ازدحام انجام مي­شود. لذا تشخيص ازدحام مبتني بر يادگيري ماشين از هوشمندي و دقت بيشتري نسبت به روش­هاي سنتي تشخيص ازدحام برخوردار است [8]. در یادگیری ماشین با تجزيه و تحليل داده‌هايي که به عنوان ورودي دريافت مي شود فرايند يادگيري انجام شده و عملکرد سیستم به طور خودکار از طریق تجربه بهبود می­یابد. از میان انواع الگوریتم­های یادگیری ماشین، الگوریتم­های یادگیری نظارت­شده از دقت بالاتری در حل مسئله تشخیص ازدحام برخوردارند [9-10]. در این روش آموزش بر اساس داده­هاي برچسب­دار انجام مي­شود و الگوريتم سعي مي­کند پارامترهاي خود را بر اساس اين داده­ها بروزرساني کند به نحوي که خطاي پيش­بيني داده­ها به حداقل برسد.

در این مقاله به حل مسئله تشخیص ازدحام و تفکیک آن از سایر عوامل از دست رفتن بسته با بهره­گیری از یادگیری ماشین نظارت شده پرداخته می­شود. هدف اصلی پیداکردن الگوریتم یادگیری ماشین نظارت­شده­ای است که بتواند بهترین عملکرد را بر اساس معیارهای ارزیابی مختلف در حل مسئله تشخیص ازدحام ارائه دهد.

در این زمینه، [11] به بررسی تشخیص ازدحام در یک شبکه حسگری بی­سیم با استفاده از یادگیری ماشین پرداخته است. در این مقاله برای تشخیص ازدحام از دو الگوریتم شبکه عصبی و ماشین بردار پشتیبان استفاده شده است. البته در این مقاله بحث تفکیک ازدحام از دیگر خطاهای ارتباطی وجود ندارد بلکه با دریافت سه پارامتر مختلف از شبکه، رخ دادن ازدحام در شبکه پیش‌بینی می‌شود. 

در [12] از الگوریتم­های مبتنی بر یادگیری ماشین برای شناسایی ازدحام استفاده شده است. الگوریتم یادگیری ماشین استفاده شده در این مقاله الگوریتمی مبتنی بر الگوریتم ماشین بردار پشتیبان است که به شناسایی و کنترل ازدحام در شبکه­های مبتنی بر حسگر اینترنت اشیا می­پردازد.

[13] یک مرور جامع بر روی مقالاتی که با استفاده از یادگیری عمیق به شناسایی ازدحام پرداخته‌اند انجام داده است. [14-15] نیز از الگوریتم‌های مبتنی بر یادگیری عمیق برای شناسایی ازدحام استفاده کرده‌اند.

در [16] به مسئله تفکیک ازدحام از دیگر خطاهای ارتباطی با استفاده از یادگیری ماشین پرداخته است. در این مقاله از الگوریتم‌های یادگیری ماشین نظارت­شده از قبیل درخت تصمیم، جنگل تصادفی و شبکه عصبی استفاده شده است.

همین نویسندگان در مقاله­ای دیگر از الگوریتم یادگیری نظارت شده­ای با عنوان تقویت درخت تصمیم و همان مجموعه داده قبلی استفاده کرده­اند و با نتایج مقاله قبل مقایسه کرده­اند و نتایج بهتری را به دست آورده­اند [17].

در مقاله حاضر الگوریتم‌های یادگیری نظارت شده متعددی در مسئله تشخیص ازدحام به کار گرفته شده‌اند، از جمله درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، لجستیک رگرسیون، K-نزدیکترین همسایه، XGBoost، شبکه عصبی چند لایه و تقویت درخت تصمیم. نسبت به مقالات [16] و [17] که نزدیکی بیشتری با این مقاله دارند، از الگوریتمی با دقت بالاتر با نام XGBoost در حل مساله تشخیص ازدحام استفاده شده است و نشان داده شده که این الگوریتم به لحاظ تمام معیار-های ارزیابی از جمله درستی، دقت، حساسیت، F1-measure و AUC عملکردی بهتر از سایر الگوریتم‌های مذکور از خود ارائه می‌دهد. در جدول 1 مقالات مرتبط با مقاله حاضر آورده شده است.

جدول 1.       کارهای مرتبط با مقاله حاضر

مرجع

مسئله

الگوریتم مورد استفاده

[4]

کنترل ازدحام به صورت سنتی

TCP Tahoe

[5] ، [6]

کنترل ازدحام به صورت سنتی

TCP Tahoe

TCP Reno

TCP New Reno

TCP Vegas

[11]

تشخیص ازدحام با استفاده از یادگیری ماشین

Neural network

SVM

[12]

کنترل ازدحام با استفاده از یادگیری ماشین

SVM

[16] ، [17]

تفکیک ازدحام از دیگر خطاهای ارتباطی با استفاده از یادگیری ماشین

Decision Tree,

Random forest,

Neural Network,

Decision Tree Boosting

مقاله حاضر

تفکیک ازدحام از دیگر خطاهای ارتباطی با استفاده از یادگیری ماشین

Logistic Regression,

SVM,

Random Forest,

KNN,

XGBoost,

Decision Tree,

Neural Network

چارچوب اصلی مقاله حاضر بر اساس موارد زیر بنا شده است:

1.       به کارگیری الگوریتم‌های متنوع یادگیری نظارت شده شامل درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، لجستیک رگرسیون ، K-نزدیکترین همسایه، XGBoost، شبکه عصبی چند لایه و تقویت درخت تصمیم

2.       به کارگیری معیارهای ارزیابی مختلف شامل درستی1 دقت2، F1-measure، حساسیت3 و AUC در ارزیابی الگوریتم­ها

3.       مقایسه عملکرد الگوریتم­های مذکور بر اساس معیارهای ارزیابی و انتخاب بهترین آن­ها برای حل مسئله تشخیص ازدحام با یکدیگر.

ساختار مقاله در ادامه بدین شرح تنظیم شده است. در بخش دوم به معرفی اجمالی الگوریتم­های یادگیری نظارت­شده پرداخته می‌شود. سپس شیوه مقایسه الگوریتم­های یادیگیری ماشین و معیارهای ارزیابی آن­ها در بخش سوم مورد بررسی قرار می­گیرد. در بخش چهارم نتایج شبیه­سازی ارائه شده و در نهایت در بخش پنجم جمع­بندی نهایی صورت می­پذیرد.

2-       مرور اجمالی الگوریتم­های یادگیری ماشین نظارت شده

همانطور که قبلا اشاره شد الگوريتم­هاي يادگيري ماشين نظارت شده بر اساس يک مجموعه داده برچسب­دار عمل کرده و آموزش مي­بينند. در این بخش به معرفی اجمالی الگوریتم­های مورد استفاده در این مقاله پرداخته می­شود.

الف) الگوریتم درخت تصمیم

این الگوریتم یکی از قدیمی­ترین و در عین حال محبوب­ترین الگوریتم­های یادگیری ماشین نظارت­شده در کاربردهای تصمیم-گیری و طبقه­بندی است [18]. در این الگوریتم فرآیند تصمیم‌گیری از طریق شاخه‌بندی ویژگی­ها از مهم‌ترین ویژگی به کم‌اهمیت‌ترین ویژگی انجام می‌شود. هر شاخه نشانگر یک تصمیم یا قانون است. ایده اصلی آن است که مجموعه­ای از تصمیمات متوالی برای رسیدن به یک نتیجه خاص اتخاذ می‌شوند. مزیت اصلی این الگوریتم در مقایسه با سایر الگوریتم‌ها، پیچیدگی محاسباتی کم در کنار دقت بالا می­باشد.

ب) الگوریتم جنگل تصادفی

الگوریتم جنگل تصادفی بر پایه الگوریتم درخت تصمیم ساخته شده است[18-19]. ایده اصلی این روش آن است که خروجی چندین درخت تصمیم را با یکدیگر ادغام کند. بنابراین به جای تکیه بر خروجی یک درخت تصمیم، نتایج چندین درخت تصمیم را جمع‌آوری کرده و بر اساس میانگین یا اکثریت آرا پیش­بینی نهایی را ارائه می­دهد.

ج) الگوریتم ماشین بردار پشتیبان

این الگوریتم برای طبقه­بندی و رگرسیون استفاده می‌شود. مبنای کار طبقه­بند SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌شود خطی انتخاب شود که حاشیه اطمینان بیشتری داشته باشد.

د) الگوریتم لجستیک رگرسیون

این الگوریتم روشی ساده و کارآمد برای مسائل طبقه­بندی باینری و خطی است و به طور گسترده برای طبقه­بندی در صنعت به کار گرفته می­شود [20]. در این روش از یک ابر صفحه در یک فضای m بعدی برای جداسازی نقاط داده با تعداد m ویژگی در کلاس‌هایشان استفاده می­شود.

ه) الگوریتم K-نزدیکترین همسایه 

این الگوریتم که به منظور طبقه‌بندی و رگرسیون مورد استفاده قرار می­گیرد بر این ایده استوار است که نقاط داده مشابه برچسب­های مشابه دریافت می­کنند [21-22]. این تشابه بر اساس مقیاس فاصله بین نقاط داده که می­تواند به عنوان مثال فاصله اقلیدسی در نظر گرفته شود تعیین می­شود. عملکرد الگوریتم KNN در عین سادگی و محبوبیت در انتخاب، تحت تأثیر انتخاب پارامتر K و متریک فاصله قرار می­گیرد. بنابراین تنظیم دقیق پارامتر K برای نتایج بهینه ضروری است.

و) الگوریتم XGBoost 

الگوریتم XGBoost یا به عبارتی الگوریتم تقویت گرادیان حداکثر با ترکیب الگوریتم درخت تصمیم و الگوریتم تقویت گرادیان ایجاد شده است [23]. الگوریتم تقویت گرادیان یک مدل پایه طبقه­بندی ایجاد می­کند و سپس طی مراحلی عملکرد خود را بهبود می­بخشد تا به یک مدل پیش­بینی قوی برسد. به این صورت که در هر مرحله مدل جدیدی که ایجاد می­شود برای رفع خطاهای مدل قبلی است. XGBoost با ترکیب پیش‌بینی‌های چندین مدل جداگانه درخت‌های تصمیم‌گیری، یک مدل پیش‌بینی جدید می‌سازد. عملکرد مناسب، دقت بالا و انعطاف­پذیری این روش آن را به یکی از روش­های پرکاربرد در حوزه­های مختلف تبدیل کرده است.

ز) الگوریتم شبکه عصبی 

الگوریتم شبکه عصبی بر اساس رفتار بیولوژیکی نورون­های عصبی در مغز عمل می­کند [24-25]. یک شبکه عصبی مصنوعی تشکیل شده است از گره­هایی معادل نورون­های مصنوعی که توسط روابطی معادل سیناپس­های عصبی با یکدیگر در ارتباط هستند. این الگوریتم شامل یک لایه ورودی، چندین لایه تصمیم­گیری و یک لایه خروجی است. تعداد لایه­ها، گره­ها، روابط و حدود آستانه مشخص شده در هر گره مواردی هستند که به صورت تجربی و خاص هر مسئله تنظیم می­شوند.

ح) الگوریتم تقویت درخت تصمیم

این الگوریتم در راستای تقویت عملکرد الگوریتم درخت تصمیم ساخته شده است. در این روش ابتدا یک مدل اولیه ساخته می‌شود و به تدریج مدل بهبود می‌یابد. به عبارت دقیق­تر، هر مدل با استفاده از مدل قبلی و با افزایش وزن نمونه­های یادگیری که در مدل قبل به اشتباه طبقه­بندی شده‌اند ساخته می‌شود. سپس پیش­بینی نهایی با استفاده از مجموعه مدل‌های بدست آمده و بر اساس کلاس اکثریت در بین همه کلاس‌ها ساخته می‌شود [26].

3-       ارزیابی و مقایسه الگوریتم­های یادگیری ماشین نظارت شده

یکی از اهداف اصلی در این مقاله ارزیابی الگوریتم­های مختلف یادگیری نظارت­شده و مقایسه آن­ها بر اساس معیارهای متفاوت ارزیابی است. مساله مطرح شده در این مقاله تشخیص ازدحام و شناسایی و تفکیک آن از خطای ارتباطی در یک نمونه داده برچسب­دار است. از آنجا که جنس این مساله از نوع طبقه­بندی است از روش متداول K-fold Cross Validation جهت ارزیابی طبقه‌بندی انجام شده استفاده می­شود [27]. روش Cross-Validation شامل دو مرحله اصلی است: تقسیم داده­ها به زیر مجموعه­هایی به نام folds و چرخش آموزش و اعتبارسنجی میان آن­ها. مرحله تقسیم داده­ها معمولاً ویژگی­های زیر را دربردارد:

·       اندازه هر fold تقریباً یکسان است.

·       داده­ها را می‌توان به صورت تصادفی در هر fold انتخاب کرد.

·       همه fold ها، به جز یکی که برای اعتبار سنجی استفاده می‌شود، برای آموزش مدل استفاده می­شوند. آن fold اعتبارسنجی باید چرخانده شود تا زمانی که همه fold ها یک بار و تنها یک بار به یک fold اعتبارسنجی تبدیل شوند. در این الگوریتم، عموما توصیه می­شود که هر نمونه در یک و تنها یک قسمت قرار گیرد.

حرف K در نام این الگوریتم مشخص­کننده آن است که مجموعه داده­ها به چند قسمت تقسیم می­شود. بسیاری از کتابخانه­های پایتون از k=10 به عنوان یک مقدار پیش­فرض استفاده می­کنند که نشان­دهنده این است که 90% داده­ها برای آموزش و 10% از داده­ها برای اعتبارسنجی استفاده خواهد شد.

چارچوب کلی مقایسه میان الگوریتم­ها در این مقاله بدین شرح است که در ابتدا پیش­پردازش­های مورد نظر بر روی نمونه داده­های برچسب­دار موجود انجام می­شود. سپس داده­های پیش­پردازش شده بر اساس روش k-fold به صورت تصادفی به k دسته تقسیم می­شوند تا برای آموزش و اعتبارسنجی الگوریتم یادگیری مورد نظر از آن­ها استفاده شود. الگوریتم مورد نظر اجرا شده و بر اساس داده­های آموزشی و داده­های اعتبارسنجی که در روش k-fold به آن داده شده معیار ارزیابی مشخص شده را محاسبه می­کند. در ادامه به معرفی معیارهای ارزیابی مد نظر در این مقاله پرداخته شده است.

3-1-               معیارهای ارزیابی

در شناسایی الگو معیارهای ارزیابی متداول برای مسائل از جنس طبقه­بندی، عموما درستی، دقت ، حساسیت ، F1-Measure و AUC هستند. معیارهایی همچون دقت، درستی و F1-measure و حساسیت که بر اساس ارزیابی تعداد نمونه­های درست و نادرست در یک مجموعه داده سنجیده می­شوند از ابزاری به نام ماتریس درهم‌ریختگی در ارزیابی خود استفاده می­کنند. از سوی دیگر معیار AUC که یک معیار عددی در سنجش عملکرد یک مدل یادگیری است از منحنی ROC مشتق می­شود. در ادامه به شرح کامل ماتریس در هم­ریختگی و منحنی ROC پرداخته شده و سپس معیارهای ارزیابی مستخرج از آن­ها مورد بررسی قرار گرفته­اند. ماتریس درهم­ریختگی، عملکرد یک مدل یادگیری ماشین را بر روی مجموعه ای از داده‌های آزمایشی خلاصه می­کند. در حقیقت این ماتریس، ابزاری برای نمایش تعداد نمونه­های درست و نادرست بر اساس پیش­بینی­های مدل است. از این ماتریس برای اندازه‌گیری عملکرد مدل‌های طبقه‌بندی، که هدف آن پیش‌بینی یک برچسب طبقه‌بندی برای هر نمونه ورودی است، استفاده می‌شود. برای یک مساله طبقه­بندی دو کلاسه، 4 عنصر زیر در ماتریس درهم­ریختگی تعریف می­شوند:

·       مثبت واقعی (TP): زمانی رخ می­دهد که مدل به درستی، یک داده مثبت را پیش­بینی کند.

·       منفی واقعی (TN): زمانی رخ می­دهد که مدل به درستی، یک داده منفی را پیش­بینی کند.

·       مثبت کاذب (FP): زمانی رخ می­دهد که مدل به اشتباه، یک داده منفی را مثبت پیش­بینی کند.

·       منفی کاذب (FN): زمانی رخ می­دهد که مدل به اشتباه، یک داده مثبت را منفی پیش­بینی کند.

هنگام ارزیابی عملکرد یک مدل طبقه­بندی، بررسی ماتریس درهم‌ریختگی ضروری است. این ماتریس یک تجزیه و تحلیل کامل از پیش­بینی­های مثبت واقعی، منفی واقعی، مثبت کاذب و منفی کاذب ارائه می­دهد و درک عمیق­تر از دقت، درستی و اثربخشی کلی مدل در تمایز طبقاتی را تسهیل می­کند.

منحنی ROC نموداری است که ارزیابی یک سیستم طبقه­بندی دودویی را به نمایش می­گذارد. منحنی ROC توسط ترسیم نرخ مثبت واقعی یا TPR بر حسب نرخ مثبت کاذب یا FPR به دست می­آید که با فرمول­های زیر قابل محاسبه هستند.

این مقادیر برای آستانه­های مختلف در طبقه­بندی محاسبه می­شوند و در منحنی ROC معادل یک نقطه می­شوند. با اتصال این نقاط به یکدیگر، منحنی ROC ایجاد می­شود. منحنی ROC دارای سه بخش است.

·       بالای خط نیمساز: در این بخش نقاطی قرار گرفته‌اند که مقدار حساسیت آن‌ها نسبت به FPR بیشتر است. به معنای آن‌که در این بخش، نرخ مثبت صحیح بیشتر از نرخ مثبت کاذب است. قرار گرفتن نقاط در این محیط مطلوب است. 

·       روی خط نیمساز: در این بخش، مقدار عددی نرخ مثبت صحیح و نرخ مثبت کاذب با یکدیگر برابر است. این نقاط چندان مطلوب ما نیستند.

·       پایین خط نیمساز: در این قسمت نقاطی قرار گرفته‌اند که مقدار حساسیت آن‌ها نسبت به FPR کمتر است. یعنی در این بخش، نرخ مثبت صحیح کمتر از نرخ مثبت کاذب است. قرار گرفتن نقاط در این بخش اصلاً مطلوب نیست.

3-1-1-       معیار ارزیابی دقت

یکی از معیارهای ارزیابی دقت می‌باشد. در حقیقت این معیار بیان می­کند که چند درصد از داده­هایی که کلاس آن‌ها مثبت تشخیص داده شده، واقعا مثبت هستند. دقت به بیان ریاضی به صورت زیر تعریف می­شود:

(1)

 

(2)

 

3-1-2-       معیار ارزیابی حساسیت

از دیگر معیارهای ارزیابی حساسیت است. این معیار بیان می­کند که چند درصد از داده­هایی که کلاس آن‌ها مثبت بوده، به درستی مثبت تشخیص داده شده­اند. حساسیت به بیان ریاضی به صورت زیر تعریف می­شود:

(3)

 

3-1-3-       معیار ارزیابی F1-Measure

معیار F1-Measure تجمیع دو معیار دقت و حساسیت بوده و هر دو جنبه عملکردی این دو معیار را در بر دارد. این معیار به بیان ریاضی به صورت زیر تعریف می­شود:

(4)

 

3-1-4-       معیار ارزیابی درستی

معیار درستی نیز همانند F1-Measure عناصر ماتریس درهم‌ریختگی را در خود تجمیع کرده است. عملکرد طبقه­بند با در نظر گرفتن تنها همین عدد درستی به طور کامل مورد سنجش قرار گرفته و قابلیت مقایسه الگوریتم­های مختلف را فراهم می­ورد. درستی به بیان ریاضی به صورت زیر تعریف می­شود:

(5)

 

3-1-5-       معیار ارزیابی AUC

به سطح زیر منحنی ROC ، AUC گفته می­شود. مقدار عددی AUC عددی بین صفر تا یک است و نشان می‌دهد قدرت تشخیص یک طبقه­بند چقدر است. اگر این عدد به یک نزدیک باشد به معنای آن است که نقاط موجود روی منحنی ROC عموماً در بالای خط نیمساز قرار گرفته‌اند و میزان نرخ مثبت صحیح بالا است. اعداد AUC نزدیک به 0.5 همان برابری نرخ مثبت صحیح و نرخ مثبت کاذب را نشان می‌دهد و نشان می­دهد که طبقه­بند نزدیک به حالت تصادفی داده­ها را طبقه­بندی می­کند. اعداد کمتر از 0.5 بیانگر بالاتر بودن نرخ مثبت کاذب در مقایسه با نرخ مثبت صحیح است و نشان می­دهد که طبقه­بند حتی بدتر از حالت تصادفی عمل می­کند. 

4-       نتايج شبيه سازي

 در اين قسمت نتايج آموزش الگوريتم‌هاي مختلف يادگيري ماشين نظارت شده روي مجموعه داده مورد بررسي قرار مي‌گيرد. برای این منظور از زبان برنامه­نویسی پایتون بهره گرفته شده و الگوریتم­ها در این محیط پیاده­سازی می‌شوند. مجموعه داده نمونه مورد استفاده در مقاله حاضر توسط [17] تولید شده که از طریق لینک ارائه شده در [28] قابل دریافت است. اين مجموعه داده با شبيه ساز شبکه ns-2 توليد شده و براي توليد مشاهدات در آن، از روش زير استفاده شده است: در هربار توپولوژي شبکه به‌طور تصادفي توليد شده و شبکه در مدت زمان ثابتي شبيه‌سازي شده است. ترافيک داده­ها به‌صورت تصادفي توليد شده و تمام خطاهاي رخ داده در بازه زماني مشخص شده در پايگاه داده جمع آوري شده است. اين روش تا زماني تکرار مي‌شود که تعداد مشاهدات کافي در پايگاه داده ایجاد شود. در اين مجموعه داده، تعداد 35441 مشاهده جمع­آوري شده است که اين مشاهدات مربوط به بيش از هزار توپولوژي تصادفي متفاوت هستند. براي توليد توپولوژي تصادفي، ابتدا تعداد تصادفي گره (بين 10 تا 600) انتخاب شده است و سپس به صورت تصادفي اتصالات بين اين گره‌ها برقرار شده است. با توجه به ترافيک، حداقل 60 درصد از جريان‌ها، جريان‌هاي TCP بودند و بقيه به‌طور تصادفي از بين TCP و ساير انواع ترافيک بر اساس UDP انتخاب شدند. فرستنده­ها، گيرندگان و مدت زمان هر ترافيک به صورت تصادفي تنظيم شده‌اند. بنابراين، پايگاه داده حاوي خطاهاي مربوط به دوره‌هاي کوتاه و طولاني TCP است.

اين مجموعه داده شامل 100 ویژگی است که در آن آماره­های مختلفی از قبیل میانگین، انحراف معیار، کمینه، بیشینه و ... در مورد اطلاعاتی از شبکه مانند RTT، زمان بین رسیدن بسته­ها در مقصد، اندازه پنجره CWND و ... وجود دارد. همچنین اطلاعاتی از قبیل تعداد بسته‌هاي از دست رفته و زمان بين رسيدن بسته‌ها تقسيم بر RTT نیز موجود است. از سوی دیگر هر داده داراي برچسب A يا C است که C به معناي ازدحام و A به معناي خطاهاي ارتباطي است [11]. 

به منظور استانداردسازي ويژگي­هاي مستقل موجود در داده­ها در يک محدوده ثابت از نرمال­سازي استفاده مي­شود. نرمال­سازي به بهبود فرايند يادگيري ماشين کمک مي‌کند زيرا باعث مي‌شود اطمينان حاصل شود که در طول فرآيند يادگيري به هر مشخصه توجه مي‌شود. بدون نرمال­سازي، ويژگي‌هاي مقياس بزرگ‌تر مي‌توانند بر يادگيري مسلط شوند و نتايج ناهنجاري ايجاد کنند. در اينجا فرض بر آن است که مجموعه داده تنها توسط نرمال‌ساز Z-Score مورد پيش­پردازش قرار گرفته است. اين تکنيک مقادير ويژگي­ها را طوري ميزان مي­کند که ميانگين آن­ها برابر 0 و انحراف معيار آنها برابر 1 شود. در اين مقاله به منظور تشخيص ازدحام از الگوريتم­هاي يادگيري نظارت شده درخت تصميم، جنگل تصادفي، ماشين بردار پشتيبان، لجستيک رگرسيون، K- نزديکترين همسايه، XGBoost و شبکه عصبي استفاده مي‌شود. براي الگوريتم شبکه عصبي از يک شبکه با سه لايه مخفي استفاده شده است. تعداد نورون­ها در هر لايه مخفي برابر با 10 و تعداد نورون­ها در لايه خروجي با توجه به وجود دو کلاس برابر 2 مي‌باشد.

از روش ارزيابي K-fold Cross Validation با K=5 جهت ارزيابي همه الگوريتم‌هاي يادگيري ماشين استفاده شده است. نمودار منحني ROC براي fold هاي مختلف و هم‌چنين متوسط ROC براي الگوريتم‌هاي مختلف يادگيري ماشين ترسيم شده است. اين نمودارها در شکل‌هاي 1 تا 7 رسم شده است. همانطور که در تمام اين نمودارها مشخص است نقاط روي اين منحني‌ها با نيمساز 45 درجه فاصله زيادي دارند. همچنين عدد AUC نيز براي همه الگوريتم­ها بسيار نزديک به 1 است. لذا بر اساس توضيحات بخش 3 ميزان نرخ مثبت صحيح براي همه الگوريتم­هاي مورد بررسي، بالا است. هم چنين مقايسه بين منحني ROC الگوريتم­هاي مختلف نشان مي‌دهد که الگوريتم XGBoost عملکرد بهتري به لحاظ شکل منحني دارد. به عبارت ديگر معيار AUC (که سطح زيرنمودار منحني ROC را نشان مي‌دهد) براي الگوريتم XGBoost نسبت به الگوريتم­هاي ديگر بالاتر است. همچنين براي مقايسه بين الگوريتم XGBoost و الگوريتم تقويت درخت تصميم ارائه شده در [17] نيز منحني ROC براي الگوريتم تقويت درخت تصميم در شکل 8 رسم شده است. بررسي اين شکل نشان مي‌دهد که معيار AUC براي الگوريتم XGBoost نسبت به الگوريتم درخت تصميم بالاتر است.

 img0

شکل 1.       منحني ROC طبقه­بند لاجستيک رگرسيون

img0 

شکل 2.       منحني ROC طبقه­بند جنگل تصادفي

 

img0 

شکل 3.       منحني ROC طبقه­بند ماشین بردار پشتیبان

 

img0 

شکل 4.       منحني ROC طبقه­بندk نزديکترين همسايه

img0 

شکل 5.       منحني ROC طبقه­بند XGBoost

 

img0 

شکل 6.       منحني ROC طبقه­بند درخت تصميم

 

img0 

شکل 7.       منحني ROC طبقه­بند شبکه عصبی

output 

شکل 8.       منحني ROCطبقه بند تقويت درخت تصميم

در ادامه الگوريتم‌هاي مختلف به لحاظ معيارهاي ارزيابي گوناگون با يکديگر مقايسه مي‌شوند. بدين منظور براي هر کدام از fold‌ها، معيارهاي ارزيابي دقت، درستی، حساسیت، F1-Measure و ROC-AUC محاسبه شده است و در نهايت ميانگين تمامي foldها به عنوان ميانگين کلي آن معيار محاسبه شده است. اين نمودارها در شکل 9 آورده شده است.

در شکل 9 خلاصه نتايج به دست آمده از آموزش الگوريتم‌هاي مختلف يادگيري ماشين روي مجموعه داده زماني که از نرمال­ساز Z-Score استفاده شده نمايش داده شده است. همانگونه که مشخص است، الگوريتم XGBoost توانسته است از ساير الگوريتم­ها در همه شاخص‌ها عملکرد بهتري ارائه دهد. بعد از اين الگوريتم، الگوريتم‌هاي جنگل تصادفي و شبکه عصبی در جایگاه بعدی قرار دارند. براي مجموعه داده‌هاي حوزه شبکه، تمايز بين خطاهاي ازدحام و پيوند، مستلزم يافتن الگوهاي دقيق در جريان ترافيک شبکه و از دست رفتن بسته‌ها است. توانايي XGBoost در مدل‌سازي روابط غيرخطي پيچيده و تعاملات بين ويژگي‌ها، آن را براي اين امر بسيار مناسب مي‌سازد. علاوه بر اين، شبکه پويا و داراي تغييرات ناگهاني است. سازگاري XGBoost به آن کمک مي‌کند حتي با تغيير رفتار شبکه، همچنان موثر باقي بماند. به طور خلاصه، ترکيب XGBoost از پيچيدگي مدل، منظم‌سازي، مديريت مجموعه داده‌هاي نامتعادل و مکانيسم موثر هرس درخت، آن را براي کارهاي طبقه‌بندي پيچيده، ايده‌آل مي‌سازد. عملکرد قوي آن در شاخص‌هاي دقت، درستی، حساسیت، F1-Measure و ROC-AUC گواهي بر پيش‌بيني موثر الگوهاي پيچيده در داده‌هاي شبکه است که سبب مي‌شود اطمينان بالايي براي استقرار عملي در تمايز بين خطاهاي ازدحام و پيوند تضمين شود.

(6)

 

[1]  Accuracy

[2]  Precision  

[3]  Recall

Drawing3 

شکل 1.       مقايسه عملکرد الگوريتم‌هاي مختلف بر اساس معيارهای ارزيابی درستی, دقت، حساسیت، F1 و AUC

 

هر دو جنگل تصادفي و شبکه‌هاي عصبي جايگزين‌هاي قوي براي XGBoost با نقاط قوت خود ارائه مي‌دهند. جنگل تصادفي، کاهش واريانس و مقاومت مناسبي را از طريق روش تجميعي ارائه مي‌دهد که آن را براي طبقه‌بندي شبکه بسيار قابل اعتماد مي‌کند. در واقع الگوريتم جنگل تصادفي، چندين درخت تصميم مي‌سازد و آن­ها را با هم ادغام مي‌کند تا پيش­بيني دقيق و پايدارتري داشته باشد. شبکه‌هاي عصبي انعطاف‌پذيري و قابليت يادگيري بي‌نظيري را به ويژه در يادگيري الگوهاي پيچيده لازم براي تمايز مؤثر در رفتار شبکه فراهم مي‌کنند. اين امر ناشي از قابليت مدل­سازي و يادگيري روابط غيرخطي به علت ساختار معماري چندلايه و وجود توابع فعال­سازي مي‌باشد. بررسي نتايج شکل 9 نشان مي‌دهد که به لحاظ معيارهاي مختلف ارزيابي، الگوريتم جنگل تصادفي پس از الگوريتم XGBoost در رتبه دوم قرار دارد. همچنين الگوريتم شبکه عصبي نيز در تمام معيارها در رتبه سوم قرار دارد (به جز معیار حساسیت که اختلاف کمی با الگوریتم لجستیک رگرسیون دارد). قرار گرفتن اين دو الگوريتم در رتبه‌هاي دوم و سوم نشان­دهنده کارايي آن­ها در مديريت پيچيدگي‌ها و پويايي داده‌هاي ترافيک شبکه است. همچنين با توجه به نتايج شبيه­سازي در شکل 9 مقايسه بين الگوريتم XGBoost و الگوريتم تقويت درخت تصميم نشان مي‌دهد که به لحاظ تمام معيارهاي ارزيابي XGBoost عملکرد بهتري را ارائه مي دهد. به عنوان مثال به لحاظ معيار ارزيابي درستی، الگوريتم XGBoost داراي درستی 96 درصد در تفکيک کلاس ازدحام از کلاس خطاهاي ارتباطي است در حالي که اين عدد براي الگوريتم تقويت درخت تصميم 91 درصد مي‌باشد.

5-       نتيجه‌گيري 

هدف اصلی این مقاله تشخیص ازدحام با دقت بالا با بهره‌گیری از الگوریتم­های یادگیری ماشین نظارت شده بود و مسئله اصلی با عنوان شناسایی ازدحام و تفکیک آن از خطای ناشی از لینک‌های ارتباطی مورد بررسی قرار گرفت. برای حل مسئله مذکور از الگوریتم‌های یادگیری ماشین نظارت شده‌ی متعدد از جمله درخت تصمیم، جنگل تصادفی، ماشین بردار پشتیبان، لجیستیک رگرسیون، K-نزدیکترین همسایه، XGBoost، شبکه عصبی و تقویت درخت تصمیم استفاده گردید. در راستای یافتن بهترین روش حل مساله از میان روش­های مذکور عملکرد این الگوریتم‌ها با کمک معیارهای مختلف از جمله دقت، درستی، F1-measure، حساسیت و AUC ارزیابی و با یکدیگر مقایسه شد. نتایج شبیه­سازی نشان داد که الگوریتم XGBoost توانسته است بر اساس همه معیارهای ارزیابی از سایر الگوریتم‌ها عملکرد بهتری ارائه دهد و الگوریتم‌های جنگل تصادفی و شبکه عصبی در جایگاه‌های بعدی قرار گرفتند. همچنین مقایسه بین الگوریتم XGBoost و الگوریتم تقویت درخت تصمیم ارائه شده در [17] بیانگر عملکرد بهتر الگوریتم XGBoost بر اساس تمام معیارهای ارزیابی است. به عنوان مثال به لحاظ معيار ارزيابي درستی، الگوريتم XGBoost داراي درستی 96 درصد در تفکيک کلاس ازدحام از کلاس خطاهاي ارتباطي است اما درستی الگوريتم تقويت درخت تصميم 91 درصد مي‌باشد. لذا الگوریتم XGBoost به عنوان یک روش کارامد برای حل مسئله تشخیص ازدحام در شبکه می‌تواند مورد بهره برداری قرار گیرد.

در ادامه فعالیت­های انجام شده در این مقاله به شبیه­سازی محیط‌های پیچیده­تر، از قبیل شبکه با فرضیاتی نظیر تحرک کاربران یا وجود فیدینگ در کانال به منظور واقعی تر شدن مسئله، با استفاده از شبیه­ساز شبکه NS3 پرداخته و مسئله شناسایی ازدحام را در آن محیط­ها مورد بررسی قرار خواهیم داد. همچنین استفاده از انواع الگوریتم­های شبکه عصبی عمیق از جمله LSTM برای پیش­بینی ازدحام از دیگر مطالعاتی است که در ادامه مطالعه حاضر انجام خواهد شد.

مراجع

[1]       Z. Zhang; Y. Zhou; L. Teng; W. Sun; C. Li and X.Min, "Quality-of-Experience Evaluation for Digital Twins in 6G Network Environments," in IEEE Transactions on Broadcasting, pp. 1-13, 2024.

[2]       R. Prasad and A. Sunny, "QoS-Aware Scheduling in 5G Wireless Base Stations," in IEEE/ACM Transactions on Networking, vol. 32, no. 3, pp. 1999-2011, June 2024.

[3]       J. P. Astudillo León, L. J. Cruz Llopis and F. J. Rico-Novella, “A machine learning based Distributed Congestion Control Protocol for multi-hop wireless networks,” in Computer Networks, vol. 231, July 2023.

[4]       J. Lorincz, Z. Klarin and J. Ožegovic, “A Comprehensive Overview of TCP Congestion Control in 5G Networks: Research Challenges and Future Perspectives,” in MDPI Sensors, vol. 21, no. 13, pp. 4510, 2021.

[5]       L. Machora. "A survey of transmission control protocol variants," in World Journal of Advanced Research and Reviews, vol. 21, no. 3, pp. 1828– 1853, 2024. 

[6]       I. Stoica, "A Comparative Analysis of TCP Tahoe, Reno, New-Reno, SACK and Vegas," University of California Berkeley, CA, 2005.

[7]       Z. Tafa, Zhilbert, and V. Milutinovic. "Machine learning in congestion control: A survey on selected algorithms and a new roadmap to their implementation." arXiv preprint arXiv:2112.15522 2021.

[8]       T. Zhang and S. Mao, "Machine Learning for End-to-End Congestion Control," in IEEE Communications Magazine, vol. 58, no. 6, pp. 52-57, June 2020.

[9]       Huiling Jiang, Qing Li, Yong Jiang, GengBiao Shen, Richard Sinnott, Chen Tian, Mingwei Xu, “When machine learning meets congestion control: A survey and comparison”, in Computer Networks, vol. 192, pp. 1-28, 2021.

[10]       M. B. M. Kamel, I. Ahmed Najm and A. Khalaf Hamoud, "Congestion Control Prediction Model for 5G Environment Based on Supervised and Unsupervised Machine Learning Approach," in IEEE Access, vol. 12, pp. 91127-91139, 2024

[11]       J. Alejandrino, R. Concepcion, S. Lauguico, M. G. Palconit, A. Bandala and E. Dadios, "Congestion Detection in Wireless Sensor Networks Based on Artificial Neural Network and Support Vector Machine," in 12th International Conf. on Humanoid, Nanotechnology, Inf. Tech., Commun. and Control, Environment, and Management (HNICEM), Manila, Philippines, 2020, pp. 1-6.

[12]       P.T. Kasthuribai, “Optimized support vector machine based congestion control in wireless sensor network based Internet of Things,” in Int. J. Computer Network and Application, vol. 8, no. 4, pp. 444-454, 2021.

[13]       N. Kumar, and M. Raubal. "Applications of deep learning in congestion detection, prediction and alleviation: A survey." in Transportation Research Part C: Emerging Technologies vol.133 pp. 103432, 2021.

[14]       G. W. Geremew, , J. Ding. "Elephant Flows Detection Using Deep Neural Network, Convolutional Neural Network, Long Short‐Term Memory, and Autoencoder." in Journal of Computer Networks and Communications, pp. 1-18, 2023.

[15]       M. Labonne, C. Chatzinakis and A. Olivereau, "Predicting Bandwidth Utilization on Network Links Using Machine Learning," in European Conf. on Networks and Commun. (EuCNC), Dubrovnik, Croatia, 2020, pp. 242-247.

[16]       P. Geurts, I. El Khayat and G. Leduc, "A machine learning approach to improve congestion control over wireless computer networks," in Fourth IEEE International Conf. on Data Mining (ICDM'04), Brighton, UK, 2004, pp. 383-386.

[17]       I. El Khayat, P. Geurts, and G. Leduc, ‘Improving TCP in Wireless Networks with an Adaptive Machine-Learnt Classifier of Packet Loss Causes’, in NETWORKING, 2005, pp. 549–560.

[18]        J. D. Kelleher, B. M. Namee and A. D. Arcy. Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT press, 2020.

[19]       T. K. Ho, “Random Decision Forests,” in Proceedings of the 3rd International Conf. on Document Analysis and Recognition, Montreal, QC, 14–16 Aug., 1995, pp. 278–282.

[20]       J. Tolles, WJ. Meurer, “Logistic Regression: Relating Patient Characteristics to Outcomes,” in JAMA, Vol. 316, no. 5, pp. 533-534, Aug. 2016.

[21]       E. Fix, J. L. Hodges, “Discriminatory Analysis. Nonparametric Discrimination: Consistency Properties,” in International Statistical Review, vol. 57, no.3, pp. 238-247, 1989.

[22]       R. O. Duda and P. E. Hart, Pattern classification. John Wiley & Sons, 2006.

[23]       T. Chen, "Story and Lessons behind the evolution of XGBoost,” 2016.

[24]       LeCun, Y. Bengio, and G. Hinton, "Deep learning," in Nature, vol. 521, no. 7553, pp. 436-444, 2015.

[25]       D. Shi, W. Ping, A. Khushnood. "A survey on deep learning and its applications," in Computer Science Review, vol. 40, pp. 100379, 2021.

[26]       Y. Freund, R. E Schapire. "A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting," in J. of Computer and System Sciences, vol. 55, no. 1, pp. 119-139, 1997.

[27]       C. M. Bishop, and N. M. Nasrabadi. Pattern recognition and machine learning. Vol. 4. No. 4. New York: springer, 2006.

[28]       [Online]. Available: https://people.montefiore.uliege.be/geurts/Papers/Boosting-DT/BD-Fifo.dat.gz

 

165


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات رایمگ است.
حق نشر © 1404-1396

صفحه اصلی| عضویت/ ورود| درباره رایمگ| تماس با ما|
[English] [العربية] [en] [ar]