Geri Dön

Multimedia traffic classification based on discrete time Markov chains

Ayrık zamanlı Markov zincirlerini baz alan multimedya trafik sınıflandırması

  1. Tez No: 784865
  2. Yazar: OĞUZ KAAN KÖKSAL
  3. Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN, PROF. DR. ÖZGÜR GÜRBÜZ ÜNLÜYURT
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: İngilizce
  9. Üniversite: Sabancı Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 70

Özet

Son yıllarda evlerde sayıları artan ağa bağlı cihazların ve kullanılan Skype ,Netflix gibi aplikasyonların yaygınlaşması nedeniyle, Wi-fi ağlarında trafiğin önceliklendirilmesi büyük önem kazandı. Bu uygulamaların bazıları gecikmeye duyarlı iken bazıları ise yüksek veri iletim hızına gerek duymaktadır. Bu yüzden farklı uygulamalardan gelen trafik tiplerini yönetirken trafiklerin tiplerine özel gereksinimleri dikkate almak kullanıcı tecrübesi açısından önemlidir. Dolayısıyla trafik tiplerinin sınıflandırılması, bu gereksinimlerin saptanması ve servis kalitesinin (QoS) artırılması için kullanılabilir. Bu tez kapsamında biz ardı ardına gelen trafik paketlerinin arasındaki güçlü bağlantıları dikkate almak için multimedya trafik akışlarının stokastik ayrık zamanlı Markov zincirleri olarak modellenmesini önerdik. Bu yaklaşımla çalışan dört yeni veri tabanlı sınıflandırma şeması sunduk. Birinci sınıflandırıcı olan ve bit hızının Markov modellemesine dayanan“En Yakın k Markov Bileşeni Sınıflandırıcısı”(kNMC), Markov bileşenlerinin karışımını dikkate alır ve sınıflandırmada eğitim ve test verilerinin arasındaki olabilirlik oranının logaritmasını baz alan bir uzaklık ölçümü kullanır. İkinci sınıflandırıcı olan“Üç Boyutlu En Yakın k Markov Bileşeni Sınıflandırıcısı”(kNMC-3D) birinci sınıflandırıcı ile aynı yöntemleri kullanır ama bit hızının yanında paket sayısı ve peş peşe gelen paketler arası sürelerin ortalamasını da modeline dahil eder. Diğer iki sınıflandırıcı tanıtılan çok sınıflı problemi çözmek için Hata Düzeltme Çıktı Kodlarını (ECOC) çok sayıda ikili kNMC-3D'yle beraber kullanır. Hata Matrisi Odaklı-ECOC (CBvi ECOC) olarak çağrılan üçüncü sınıflandırıcı, kNMC-3D'nin hatalarını düzeltmek için özel olarak tasarlanmış bir ECOC matrisi sunar. Dördüncü sınıflandırıcı olan 2-Seviye-ECOC, üçüncü sınıflandırıcının Skype paketlerinin belirlenmesi konusundaki hatalarını çözmek amacıyla ilave bir sınıflandırma seviyesi ekler. Youtube, Netflix, Skype, Whatsapp, Spotify gibi uygulamaların verilerini içeren bir veri seti topladık. Yaptığımız deneylerde %96.15'e kadar doğruluk oranları elde edilmiştir. Ayrıca bahsedilen aplikasyonların Talep Üzerine Video (VOD), Paylaşım ve Medya Akışı (S&MS), Canlı Video Akışı (VLS) ve Telekonferans (TC) gibi trafik categorileri de sınıflandırılmış ve dört sınıflandırıcı ile %97.75 doğruluk değerlerine ulaşılmıştır. Tanıtılan sınıflandırıcılar ayrıca litaretürden bir kıyaslama veri kümesi ile değerlendirilmiş ve aplikasyon seviyesinde %97.75 doğruluk değeri, kategori seviyesinde %99.59 doğruluk seviyei gözlemlenmiştir. Tanıtılan sınıflandırıcıların; Destek Vektör Makinaları (SVM), Rastgele Orman (RF), Oto Kodlayıcılar (AE) ve problemden bağımsız ECOC metotları olan Bir vs Bir (OVO), Bir vs Hepsi (OVA) gibi rakip algoritmalar ile karşılaştırıldığında daha yüksek başarı oranı ile çalıştığı gözlemlenmiştir.

Özet (Çeviri)

Traffic prioritization has recently become critical for home Wi-Fi networks due to the increased number of connected devices and wide variety of applications. While some of these applications are delay sensitive, some have high throughput requirements. Therefore, managing different traffic types adaptively with regard to their requirements is crucial for a better Quality of Experience (QoE). Traffic type classification can be used to that end for detecting the specific requirements and enhance the Quality of Services (QoS). In the scope of the thesis, we propose to model the multimedia traffic flow as a stochastic discrete-time Markov chain (DTMC) in order to take into account the strong sequentiality (i.e. the dependencies across the data instances) in the traffic flow observations. Within that approach four novel data-driven classification schemes are presented. The first one is k Nearest Markov Components (kNMC) which relies on a Markov modeling of bit-rate. kNMC considers a mixture of Markov components and classifies by using a log-likelihood-based distance between train and test instances. The second classifier is kNMC-3D which applies the same technique with kNMC but focuses on the number of packets and inter-arrival times besides bit-rate. The other two classifiers exploit Error Correcting Output Codes (ECOC) for solving the multiclass problem with multiple binary kNMC-3D classifiers. The third classification scheme namely Confusion Based ECOC (CB-ECOC) proposes a custom-designed ECOC matrix which addresses the errors of kNMC-3D. The fourth classifier named as 2-Level ECOC, adds another classification level to CB-ECOC for resolving the Skype identification issue of CB-ECOC. Considering multimedia data from popular applications such as Youtube, Netflix, Skype, Whatsapp, and Spotify from our introduced dataset, average traffic type classification accuracies are obtained up to 96.15% at the application level. Considering the given applications in different traffic categories, such as, Video on Demand (VOD), Sharing and Media Screening (S&MS), Video Live Streaming (VLS), and Teleconferencing (TC), average classification accuracies up to 97.75% are reached at the category level. The presented classifiers are also evaluated with the benchmark dataset from the literature and average classification accuracies are observed up to 97.75% at the application level, and up to 99.59% at the category level. In our extensive experiments, we observed that the introduced classifiers are highly accurate as compared to prominent competitors such as Support Vector Machines (SVM), Random Forest (RF), autoencoders and problem-independent ECOC models, e.g, One Versus One (OVO) and One Versus All (OVA).

Benzer Tezler

  1. Düşük çözünürlüklü yüz görüntülerinin yerel zernike momentleri yöntemi ile sınıflandırılması

    Classification of the low resolution face images by local zernike moments method

    TOLGA ALASAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MUHİTTİN GÖKMEN

    DOÇ. DR. MUSTAFA ERSEL KAMAŞAK

    YRD. DOÇ. DR. SERAP KIRBIZ

  2. Kablosuz çokluortam algılayıcı ağlar için QoS destekli ve uyarlanabilir MAC protokolü tasarımı

    Desing of a QoS supported and adaptive MAC protocol for wireless multimedia sensor networks

    YUNUS ÖZEN

    Doktora

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilgisayar ve Bilişim Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CÜNEYT BAYILMIŞ

  3. Adaptive video streaming over openflow networks with quality of service

    Özgürakış ağlarda servis kaliteli uyarlanır görüntü aktarımı

    HİLMİ ENES EĞİLMEZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2012

    Elektrik ve Elektronik MühendisliğiKoç Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET MURAT TEKALP

  4. ATM şebekelerde trafik analizi ve güvenlik

    Başlık çevirisi yok

    HALİL AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜNSEL DURUSOY

  5. Software implementations of QoS scheduling algorithms for high speed networks

    Yüksek hızlı ağlar için ağ iletişimi hizmet kalitesi çizelgeleyici algoritmalarının yazılımsal gerçeklenmesi

    AYDIN PEHLİVANLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2015

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞENAN ECE SCHMİDT