Network monitoring system using machine learning comparative analysis of classification techniques for network traffic monitoring
Makine öğrenmesi ile ağ izleme sistemi ağ trafik izleme için sınıflandırma tekniklerinin karşılaştırmalı analizi
- Tez No: 581114
- Danışmanlar: DR. ÖĞR. ÜYESİ MOHAMMED K.M. MADI
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: İngilizce
- Üniversite: Hasan Kalyoncu Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Çevrimiçi ağ trafiği sınıflandırması, uzun vadeli ilginin odak noktası olmaya devam ediyor. Ağ trafiğini izleme ve Ağ trafiği analizi birçok farklı yoldan yapılabilir. Genellikle, ağ trafiğini izleme, hizmet kalitesi (QoS) ve izinsiz giriş tespiti için ham veri girişi sağla. Özellikle, ağ trafiğini izleme, ağ analistine ağ kaynaklarını nasıl kullandığını anlama ve ağ performansını belirleme olanağı sağlar. Bu bilgi ile ağ analisti, ağ kaynaklarını kontrol etmek ve yönetmek için QoS politikalarını ayarlayabilir. Bu amaca, ağdaki belirli veri tipleri için önceliklerin ayarlanması ve trafiğin yönetmeliklere uyması için günlüğe kaydedilmesi ile ulaşılmaktadır. Ağ trafiğinin izlenmesi akademik araştırma için modeller oluşturmak için kullanılabilir. Bu tezde, en yakın optimizasyona ulaşmak için Karar Ağacı Algoritmasını (DT) kullanarak ve Temel Bileşen Analizi (PCA) Algoritmasını kullanarak ağ trafiğini doğru şekilde sınıflandıran bir makine öğrenme yaklaşımı sunulmaktadır. Makine öğrenimi teknolojisi, yüksek doğrulukta veri madenciliği teknikleri ve ileri istatistiklerin bir sonucu olarak ağ trafiğini izlemek ve sınıflandırmak için daha iyi çözümler üretecektir. Bu tezin amacı, hem çevrimiçi hem de çevrimdışı olarak çalışan modern makine öğrenme teknolojilerini kullanarak bir Ağ İzleme Sistemi (NMS) inşa etmektir. DT algoritması (mevcut veri madenciliği algoritmalarından biri) ağın sınıflandırıcısını oluşturmak için kullanılır. Deney sonuçları, NMS tabanlı sistemin ağ trafiğini başarılı bir şekilde sınıflandırmada %97,7486 doğruluğa (ACC) sahip olduğunu göstermiştir.
Özet (Çeviri)
Online network traffic classification continues to be the focus of long-term interest. Network traffic monitoring and analysis can be done for many different reasons. Generally, it provides raw data input for network monitoring, Quality of Service (QoS) and intrusion detection. Specifically, network traffic monitoring enables the network analyst to understand network resources use and identify network performance. With this information, network analyst may adjust QoS policies to control and manage network resources. This aim is achieved by setting priorities for specific types of data in the network and logging the traffic to comply with the regulations. Network traffic monitoring can be used to create models for academic research. In this thesis, a machine-learning approach that accurately classifies network traffic using Decision Tree Algorithm (DT) is presented and implementing the Principal Component Analysis (PCA) Algorithm for reduction, side by side, to reach the best optimization. Machine learning technology will generate better solutions to monitor and classify network traffic as a result of highly accurate data mining technics and advanced statistics. The purpose of this thesis is to build a Network Monitoring System (NMS) using modern machine learning technologies that works in both online and offline modes. DT algorithm; one of the available data mining algorithms; is used to build the classifier of network. The experiment's results showed that NMS based system has 97.7486 % accuracy (ACC) in successfully classifying the network traffic.
Benzer Tezler
- CMMcihazındaki verilerden makine öğrenmesi ile parça kontrolü
Part control with machine learning from data on CMM device
ZEYNEP BİRGİN
Yüksek Lisans
Türkçe
2024
Metalurji MühendisliğiSakarya ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DOÇ. DR. NURAY CANİKOĞLU
- Diyabetik retinopatinin gerçek zamanlı tespiti için karar destek sistemi
A decision support system for diabetic retinopathy's real-time detection
KEMAL AKYOL
Doktora
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ŞAFAK BAYIR
- Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods
Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması
SAMED ÇALIK
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiBüyük Veri ve İş Analitiği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN
- Design and optimization of compact vivaldi antenna with matching medium for microwave brain imaging applications
Mikrodalga beyin görüntüleme uygulamaları için eşleştirme ortamına sahip kompak vıvaldı antenin tasarımı ve optimizasyonu
CAFER UYANIK
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM AKDUMAN
- Türkiye'deki havalimanlarında düşük görüş mesafesinin istatistiksel ve meteorolojik analizi ile makine öğrenmesi tabanlı tahmini
Statistical and meteorological analysis, and machine learning-based prediction of low visibility at airports in Türkiye
İBRAHİM AKBAYIR
Doktora
Türkçe
2025
Sivil Havacılıkİstanbul Teknik ÜniversitesiMeteoroloji Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ DENİZ DEMİRHAN