http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 정광본(Kwang Bon Jung) (검색결과 3 건)
- 무료
- 기관 내 무료
- 유료
-
-
실제 네트워크 모니터링 환경에서의 ML 알고리즘을 이용한 트래픽 분류
정광본(Kwang Bon Jung),최미정(Mi Jung Choi),김명섭(Myung Sup Kim),원영준(Young J. Won),홍원기(James W. Hong) 한국통신학회 2008 韓國通信學會論文誌 Vol.33 No.8B
Traffic classification의 방법은 동적으로 변하는 application의 변화에 대처하기 위하여 페이로드나 port를 기반으로 하는 것에서 ML 알고리즘을 기반으로 하는 것으로 변하여 가고 있다. 그러나 현재의 ML 알고리즘을 이용한 traffic classification 연구는 offline 환경에 맞추어 진행되고 있다. 특히, 현재의 기존 연구들은 testing 방법으로 cross validation을 이용하여 traffic classification을 수행하고 있으며, traffic flow를 기반으로 classification 결과를 제시하고 있다. 본 논문에서는 testing방법으로 cross validation과 split validation을 이용했을 때, traffic classification의 정확도 결과를 비교한다. 또한 바이트를 기반으로 한 classification의 결과와 flow를 기반으로 한 classification의 결과를 비교해 본다. 본 논문에서는 J48, REPTree, RBFNetwork, Multilayer perceptron, BayesNet, NaiveBayes와 같은 ML 알고리즘과 다양한 feature set을 이용하여 트래픽을 분류한다. 그리고 split validation을 이용한 traffic classification에 적합한 최적의 ML 알고리즘과 feature set을 제시한다. The methodology of classifying traffics is changing from payload based or port based to machine learning based in order to overcome the dynamic changes of application's characteristics. However, current state of traffic classification using machine learning (ML) algorithms is ongoing under the offline environment. Specifically, most of the current works provide results of traffic classification using cross?validation as a test method. Also, they show classification results based on traffic flows. However, these traffic classification results are not useful for practical environments of the network traffic monitoring. This paper compares the classification results using cross validation with those of using split validation as the test method. Also, this paper compares the classification results based on flow to those based on bytes. We classify network traffics by using various feature sets and machine learning algorithms such as J48, REPTree, RBFNetwork, Multilayer perceptron, BayesNet, and NaiveBayes. In this paper, we find the best feature sets and the best ML algorithm for classifying traffics using the split validation.
-
OPNET을 이용한 자기유사성 트래픽 발생기 설계 및 성능 평가
한경은,정광본,이승현,김영천,Han Kyeong-Eun,Jung Kwang-Bon,Lee Seung-Hyun,Kim Young-Chon 한국통신학회 2006 韓國通信學會論文誌 Vol.31 No.5a
최근 인터넷 사용자가 급증함에 따라 전체 인터넷 트래픽의 90%이상을 차지하는 IP 트래픽이 통신망 성능에 미치는 영향은 매우 크다. 따라서 효율적인 망의 설계와 설계된 망의 정확한 성능 평가를 위하여 IP 트래픽의 특성을 반영한 자기유사성(self-similarity) 트래픽 발생기의 설계는 매우 중요하다. 본 논문에서는 OPNET을 이용하여 자기유사성 트래픽 발생기를 설계한다. 이를 위해 Pareto 분포를 갖는 ON-OFF 소스를 이용하고, 이를 다중화하여 중첩시킴으로써 자기유사성의 특성을 구현하였다. 또한 구현한 자기유사성 트래픽 발생기의 성능 평가를 위하여 다양한 통계학적인 접근방법을 통해 자기유사성의 특성을 분석 검증하고, 입력부하 및 다중화 된 소스의 개수에 따른 영향을 분석하였다. 설계된 자기유사성 트래픽 발생기는 유무선 통신망 모델 구현 및 성능 평가 시 IP 트래픽 발생기로 활용될 수 있으며, 자기유사성 트래픽 모델링에서 요구되는 구체적인 파라미터 값의 결정에도 도움이 될 것으로 기대된다. Recently, with the exponential growth of the number of Internet users, IP traffic which occupies more than 90 percent of the entire Internet traffic affects significantly to the performance of networks. Therefore, the design of the self-similar traffic generator reflected the feature of IP traffic is very important to design the networks efficiently and evaluate the performance of it correctly. In this paper, we design the self-similar traffic generator using OPNET. In order to implement the self-similar characteristics, ON-OFF sources with Pateto distribution are employed and aggregated. The designed self-similarity traffic generator is evaluated and verified with R/S plot, variance time(VT) plot under the various offered loads and the number of sources. It is expected that the designed self-similar traffic generator can be put to practical use when wire or wireless networks is designed and verified as well as it can be useful to decide the specific parameter value for Internet traffic modeling.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
