طبقه بندي ترافيك شبكه با استفاده از الگوريتم جنگل تصادفي بهبوديافته

با افزايش سريع تعداد كاربران اينترنت و ظهور برنامه هاي جديد، ترافيك اينترنت به شدت در حال رشد است. در نتيجه، شناسايي برنامه ها در شبكه به امر پيچيد هاي تبديل شده است. از طرف ديگر، طبقه بندي جريان ها نقش مهمي در امنيت و مديريت شبكه دارد. تكنيك هاي سنتي طبقه بندي ترافيك به بازرسي مستقيم بسته هاي جريان وابسته بودند. اخيراً، با توجه به محدوديت هاي روش هاي قبلي، از الگوريتم هاي يادگيري ماشين به منظور بهبود دقت طبقه بندي جريا ن هاي ترافيك، استفاده شده است. الگوريتم هاي يادگيري ماشين با استفاده از اطلاعات آماري جريان ها روي بسته ها، توانايي بالايي در طبقه بندي جريان هاي ترافيك شبكه دارند. در اين مقاله، ما تغييراتي را در الگوريتم جنگل تصادفي كه جزء الگوريتم هاي با ناظراست، اعمال كرده و آن را جنگل تصادفي بهبوديافته نامگذاري كرده ايم. تغييرات داده شده به صورت انتخاب هاي پارامتري در رابطه با معيار مناسب براي ساخت درختان تصميم و نحوه وزن دهي به درختان هنگام راي گيري مي باشد. براي ارزيابي و مقايسه روش پيشنهادي از شش طبقه بند ديگر يادگيري ماشين شامل: الگوريتم شبكه عصبي چندلايه، ماشين بردار پشتيبان، درخت تصميم C4.5 ، الگوريتم نزديكترين همسايه، بيز ساده و جنگل تصادفي ساده استفاده كرده ايم. نتايج آزمايش ها بر روي مجموعه داده جريان هاي ترافيك واقعي UNIBS نشان ميدهد كه روش پيشنهادي عملكرد بهتري نسبت به ساير الگوريتم ها ارائه ميدهد و ميانگين دقت طبقه بندي روي همه برنامه ها به ۹۸/۷۵ درصد ميرسد.