論文の概要: Penerapan Metode SVM-Based Machine Learning Untuk Menganalisa Pengguna Data Trafik Internet (Studi Kasus Jaringan Internet Wlan Mahasiswa Bina Darma)

• arxiv url: http://arxiv.org/abs/2008.12099v1
• Date: Tue, 18 Aug 2020 06:28:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-05 22:39:23.173148
• Title: Penerapan Metode SVM-Based Machine Learning Untuk Menganalisa Pengguna Data Trafik Internet (Studi Kasus Jaringan Internet Wlan Mahasiswa Bina Darma)
• Title（参考訳）: Penerapan Metode SVMベースの機械学習 Untuk Menganalisa Pengguna Data Trafik Internet (Studi Kasus Jaringan Internet Wlan Mahasiswa Bina Darma)
• Authors: Muhammad Surahman, Leon Andretti Abdillah, Ferdiansyah
• Abstract要約: 本研究は,インターネット上でのデータの分類を目的とし,ネットワーク,プロトコル,帯域幅を把握できるようにした。 1) I 133,196, week II 304,042, 2) Destination Network 24150 の利用と Protocol 37,321,3)
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Internet usage is an important requirement that supports the performance and activities on campus. To control internet usage, it is necessary to know the distribution of internet usage. By utilizing a number of machine learning algorithms and WEKA software, the research is carried out by observation and taking data from wifi hotspots on campus. The classification method using SVM-Based utilizes the classification method owned by Support Vector Machine (SVM). This study aims to classify data on internet usage so that from this classification can be known destination network, protocol, and bandwidth that are widely accessed at certain times. Internet traffic data is retrieved through Wireshark software. Whereas data processing and data processing of internet traffic is processed by WEKA. The results showed: 1) UBD internet usage in the week I 133,196 users, week II 304,042 users,2) Use of Destination Network 24,150 and Use of Protocol 37,321,3) Destination networks that are often addressed are 172.21.206.143 (the week I) and 172.21.172.234 (week II), protocols that are often used by TCP, and4) SVM method is a good data mining method for classifying network packet patterns so as to produce network traffic classification according to destination network and protocol.
• Abstract（参考訳）: インターネットの利用は、キャンパスのパフォーマンスと活動をサポートする重要な要件である。 インターネット利用を制御するためには,インターネット利用の分布を知る必要がある。 多くの機械学習アルゴリズムとWEKAソフトウェアを利用することで、キャンパス内のWi-Fiホットスポットからデータを観察して取得することで研究を行う。 SVM を用いた分類法は,Support Vector Machine (SVM) が所有する分類法を利用する。 本研究は,インターネット利用に関するデータを分類することを目的としており,この分類から特定の時刻に広くアクセスされるデスティネーションネットワーク,プロトコル,帯域幅を把握できる。 インターネットトラフィックデータはWiresharkソフトウェアを介して取得される。 インターネットトラフィックのデータ処理やデータ処理はWEKAによって処理される。 結果は以下のとおりでした。 1) I 133,196ユーザ,週II 304,042ユーザ,2) Destination Network 24,150とプロトコル37,321,3) 対処されるネットワークは172.21.206.143(週I)と172.21.172.234(週II)で、TCPでよく使用されるプロトコルと4) SVMは、宛先ネットワークやプロトコルに従ってネットワークトラフィックの分類を作成するための、ネットワークパケットパターンを分類するための優れたデータマイニング方法である。

関連論文リスト

• Semantic Meta-Split Learning: A TinyML Scheme for Few-Shot Wireless Image Classification [50.28867343337997]
  本研究は,TinyMLを用いた無線画像分類のためのセマンティック・コミュニケーション・フレームワークを提案する。 我々は、プライバシ保護を確保しつつ、エンドユーザーによって実行される計算を制限するために分割学習を利用する。 メタ学習は、データ可用性の懸念を克服し、同様のトレーニングされたタスクを利用することで、トレーニングを高速化する。
  論文  参考訳（メタデータ） (2024-09-03T05:56:55Z)
• Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification [68.19713459228369]
  我々は、トランスファーラーニング、メタラーニング、コントラストラーニングを、参照機械学習(ML)ツリーベースおよびモノリシックDLモデルと比較する。 i) 大規模なデータセットを用いて,より一般的な表現を得られること,(ii) コントラスト学習が最良の手法であることを示している。 MLツリーベースでは大きなタスクは処理できないが、学習した表現を再利用することで、小さなタスクにも適合するが、DLメソッドはツリーベースモデルのパフォーマンスにも到達している。
  論文  参考訳（メタデータ） (2023-05-21T11:20:49Z)
• Fine-grained TLS Services Classification with Reject Option [0.0]
  本稿では,パケットレベルのメタデータで拡張された200近いきめ細かいサービスラベルと1億4000万のネットワークフローを持つ,大規模で最新のデータセットの収集に焦点をあてる。 フローの数は、他の公開ラベル付き暗号化トラフィックデータセットよりも3桁高い。 公開されたデータセットは、暗号化されたトラフィック内のサービスを特定するためのベンチマークとして意図されている。
  論文  参考訳（メタデータ） (2022-02-24T09:44:12Z)
• Predicting Bandwidth Utilization on Network Links Using Machine Learning [0.966840768820136]
  本稿では,異なるネットワークリンク間の帯域利用率を高精度に予測する手法を提案する。 シミュレーションネットワークは、各インタフェース上のネットワークリンクのパフォーマンスに関するデータを収集するために作成される。 提案手法は,SDN (Software-Defined Networking) プラットフォームによって管理される反応を用いて,リアルタイムで利用できることを示す。
  論文  参考訳（メタデータ） (2021-12-04T19:47:41Z)
• Learning-Based UE Classification in Millimeter-Wave Cellular Systems With Mobility [67.81523988596841]
  ミリ波携帯電話通信では、送信機と受信機のビームのアライメントを可能にするビームフォーミング手順が必要である。 効率的なビームトラッキングでは、トラフィックと移動パターンに応じてユーザーを分類することが有利である。 これまでの研究は、機械学習に基づくUE分類の効率的な方法を示してきた。
  論文  参考訳（メタデータ） (2021-09-13T12:00:45Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Deep Learning for Network Traffic Classification [0.0]
  ネットワークトラフィックを監視してコンテンツ、サービス、アプリケーションを特定することは、ネットワークトラフィック制御システムにおいて活発な研究トピックである。 これまでの研究では、アプリケーションとサービスの識別を可能にする機械学習の手法が特定されていた。 本稿では,パケット,ペイロード,時間列の深層学習アーキテクチャのアンサンブルを用いた分類手法を提案する。
  論文  参考訳（メタデータ） (2021-06-02T04:11:32Z)
• Flow-Packet Hybrid Traffic Classification for Class-Aware Network Routing [24.947404267499586]
  flow-packet hybrid traffic classification (fphtc) 我々は、ルーティングポリシーに基づいてパケットごとにルータが決定するfphtcを紹介する。 トラフィックパターンの変更に対して堅牢であり、限られた計算リソースでデプロイできることを示す。
  論文  参考訳（メタデータ） (2021-04-30T20:30:36Z)
• Machine Learning Applications in the Routing in Computer Networks [0.9020406183127511]
  インターネットトラフィックの量が増え続ける中、ルーティングアルゴリズムの開発は明らかに重要です。 集中型と分散型の両方のMLルーティングアーキテクチャを調査した。 14のルーティングアルゴリズムに2つのルーティングプロトコルを実装し,その効果を確認した。
  論文  参考訳（メタデータ） (2021-04-05T15:08:35Z)
• Road Network Metric Learning for Estimated Time of Arrival [93.0759529610483]
  本稿では,ATA(Estimated Time of Arrival)のための道路ネットワークメトリックラーニングフレームワークを提案する。 本研究は,(1)走行時間を予測する主回帰タスク,(2)リンク埋め込みベクトルの品質向上のための補助的計量学習タスクの2つの構成要素から構成される。 提案手法は最先端モデルよりも優れており,その促進は少ないデータでコールドリンクに集中していることを示す。
  論文  参考訳（メタデータ） (2020-06-24T04:45:14Z)
• Key Points Estimation and Point Instance Segmentation Approach for Lane Detection [65.37887088194022]
  本稿では,PINet (Point Instance Network) と呼ばれるトラヒックライン検出手法を提案する。 PINetには、同時にトレーニングされる複数のスタックされた時間ガラスネットワークが含まれている。 PINetはTuSimpleとCulaneのデータセットで競合精度と偽陽性を達成する。
  論文  参考訳（メタデータ） (2020-02-16T15:51:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。