Yerel ağlarda makine öğrenmesi tabanlı servis kalitesiçözümü
Machine learning based quality of service solution inlocal networks
- Tez No: 965681
- Danışmanlar: DR. ÖĞR. ÜYESİ NECMİYE ÖZLEM ÜNVERDİ
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Haberleşme Bilim Dalı
- Sayfa Sayısı: 88
Özet
Ağ trafiğinin sürekli artması ve uygulama çeşitliliğinin çoğalmasıyla birlikte, yerel ağlarda bant genişliğinin daha verimli ve etkin bir şekilde yönetilmesi kritik bir önem kazanmıştır. Bu çalışma, yerel ağlardaki yönlendiricilerde makine öğrenmesi teknikleri kullanarak ağ trafiğini doğru bir şekilde tahmin etmeyi ve öncelik tablosuna göre ağ trafiklerini önceliklendirerek kullanıcı deneyimini artıırmayı amaçlamaktadır. Çalışmada, ağ trafiğinden elde edilen verilerle eğitilen farklı ML algoritmalarının tahmin başarımları karşılaştırılarak en uygun model seçilmiştir. Seçilen modelin ağ trafik tahminlerine dayalı olarak kritik ağ trafiklerine öncelik veren bir QoS yönetim sistemi geliştirilmiştir. Geliştirilen sistemin performansı Linux tabanlı bir yönlendirici ile yerel ağ ortamında test edilmiştir. 100 Mbps bant genişliğine sahip test ortamında, sistem aktif ve pasif durumdayken görüntülü konferans ve uzak masaüstü uygulamaları üzerinden analizler yapılmıştır. Bu sırada ağda yüksek bant genişliği tüketen, ancak kritik olmayan video akışı ve dosya indirme işlemleri de başlatılmıştır. Sonuçlara göre görüntülü konferansta paket kaybı %2 iken paket kaybının hiç olmadığı, ortalama gecikme süresinin 68,5 ms'den 4,2 ms'ye, ortalama jitter değerinin ise xi 36,6 ms'den 4,6 ms'ye gerilediği gözlemlenmiştir. Uzak masaüstü uygulamasında ise ortlama gecikme 84,8 ms'den 5,5 ms'ye, ortalama jitter değeri ise 46,6 ms'den 7,6 ms'ye düşmüştür. Her iki senaryoda da paket kaybı gözlemlenmemiştir. Aynı işlemler orta öncelik sınıfına ait yayın akışı ve bulut oyun ağ trafiklerinde yapılmış ve sınıflandırmanın orta öncelikli ağ trafiklerinde olumsuz bir etkisinin olmadığı görülmüştür. Bu çalışma, yerel ağlarda trafik yönetimi ve QoS optimizasyonu için yenilikçi bir yaklaşım sunmaktadır. Makine öğrenmesiyle desteklenen bu yapı, ağ kaynaklarının daha verimli kullanılmasını ve kullanıcı deneyiminin önemli ölçüde iyileştirilmesini sağlamaktadır.
Özet (Çeviri)
With the continuous increase in network traffic and the growing diversity of applications, efficient and effective bandwidth management in local area networks has become critically important. This study aims to accurately predict network traffic using machine learning techniques on routers within local networks and to enhance user experience by prioritizing network traffic based on a predefined priority table. Various ML algorithms trained with data obtained from network traffic were compared in terms of their prediction performance. Based on these comparisons, the most suitable model was selected. A QoS management system was then developed, prioritizing critical network traffic based on the traffic predictions of the selected model. The performance of the developed system was tested in a local network environment using a Linux based router. In a test environment with 100 Mbps bandwidth, analyses were conducted on video conferencing and remote desktop applications with the system both active and inactive. During these tests, high bandwidth but noncritical operations such as video streaming and file downloads were also initiated. The results showed that while packet loss during video xiii conferencing was 2% without the system, no packet loss occurred when the system was active. Average latency dropped from 68.5 ms to 4.2 ms, and average jitter decreased from 36.6 ms to 4.6 ms. In the remote desktop application, average latency decreased from 84.8 ms to 5.5 ms, and average jitter dropped from 46.6 ms to 7.6 ms. No packet loss was observed in either scenario. The same procedures were applied to medium priority traffic such as Netflix and cloud gaming, and it was observed that the classification did not have a negative impact on medium- priority network traffic. This study presents an innovative approach to traffic management and QoS optimization in local networks. Supported by machine learning, this architecture enables more efficient use of network resources and significantly enhances the user experience.
Benzer Tezler
- 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
- Energy demand forecasting in fog computing based microgrids using ensemble learning
Sis bilişimi tabanlı mikro şebekelerde topluluk öğrenme ile enerji talep tahmini
TUĞÇE KESKİN
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ GÖKHAN İNCE
- Hybrid approach to complex network-based link prediction for recommendation systems in Turkish publications
Türkçe yayınlarda öneri sistemleri için karmaşık ağ tabanlı bağlantı tahminine hibrit yaklaşım
ALI ASGHAR FAHAD FAHAD
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH ÖZKAYNAK
- Predictive modeling for botnet detection: A new dataset and machine learning approach
Botnet tespiti için tahmin modeli: Yeni bir veri seti ve makine öğrenme yaklaşımı
KADİR İLKER BUDAK
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE NURDAN SARAN
- Prediction of COVID 19 disease using chest X-ray images based on deep learning
Derin öğrenmeye dayalı göğüs röntgen görüntüleri kullanarak COVID 19 hastalığının tahmini
ISMAEL ABDULLAH MOHAMMED AL-RAWE
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. ADEM TEKEREK