ارایه روش ترکیبی برای شناسایی و طبقه بندی ترافیک در شبکه های بی سیم

استفاده از رویکرد اقتضایی با بهره گیری از ویژگی هایی از جمله مدیریت توزیع یافته بین گره ها، تسهیل در امر ورود و خروج آن‌ها به شبکه و امکان تحرک بهتر، یکی از گزینه های مطلوب جهت پیکربندی شبکه های بی سیم می باشد. همین امر موجب تولید ترافیک با رفتار پوی  توسط نرم افزارهای کاربردی در چنین شبکه هایی می شود که مسئله مدیریت شبکه و کنترل ترافیک بین گره های را تحت تاثیر خود قرار می دهد. شناسایی و طبقه بندی ترافیک جاری در شبکه می تواند کمک شایانی به این چالش در شبکه های بی سیم کند. از آنجا که روش های مرسوم شناسایی و طبقه بندی ترافیک قادر به ارائه عملکرد مناسب با چنین ترافیک هایی نیستند بنابراین استفاده از روش های مبتنی بر یادگیری ماشین می تواند برای بهبود طبقه بندی ترافیک به‌کارگرفته شوند. از آنجا که حساسیت بالا جهت یافتن ترافیک هایی خاص نیازمند افزایش احتمال آشکارسازی و عدم ارائه تصمیم اشتباه نیازمند کاهش هشدار غلط در سامانه می باشد،بنابراین در این مقاله روشی جدید جهت افزایش دقت و بهره وری در شناسایی وطبقه بندی ترافیک در شبکه های بی سیم اقتضایی ارائه می شود که مبتنی بر ترکیب هدفمند روش های یادگیری ماشین می باشد. نتایج نشان می دهند که روش ارائه شده علاوه بر بهبود معیارهای ارزیابی طبقه بندی کننده ترافیک موجب افزایش احتمال آشکارسازی و کاهش نرخ هشدار غلط به نسبت به‌کارگیری روش های یادگیری ماشین به‌صورت یکتا می باشد.

a new hybrid approach for traffic identification and classification in wireless networks

using the ad hoc approach is one of the desirable options for configuration of wireless networks because of the features such as distributed management between nodes, facilitating their entry and exit into the network and the possibility of better mobility. this scheme leads to the dynamic behavior of the traffic generated by applications in such networks, which affects the issue of network management and traffic control between nodes. identifying and classifying the network traffic can help to deal with these challenges in wireless networks. because conventional traffic detection and classification methods are not able to provide proper performance with such traffic, applied machine-learning-based methods can improve the detection and classification performance. as the precision required to find a specific network traffic implies a high probability of detection, and the elimination of wrong decisions needs the false alarm rate reduction, in this paper a new hybrid method, based on the combination of machine learning methods is introduced to increase the accuracy and efficiency of identifying and classifying traffic in ad hoc wireless networks based on purposeful combination of various machine learning methods. the results show that in addition to improving the evaluation criteria of traffic classification, the proposed method increases the detection probability and reduces the false alarm rate, in comparison to the cases where only a single machine learning method is used.