فهرست نشریات علمی دسترسی آزاد ایران

طبقه‌بندی‌کننده‌های ترافیک شبکه نقش حیاتی در سیستم‌های نظارت بر شبکه‌ها ایفا می‌کنند و وظیفه آن‌ها تشخیص ناهنجاری‌ها در جریان‌های شبکه‌ای بر اساس ویژگی‌های ارتباطی است. این موضوع برای مدیریت و نظارت بر شبکه‌های اینترنت اشیاء نیز اهمیت ویژه‌ای دارد. در این مقاله، یک روش نوین برای طبقه‌بندی ترافیک شبکه بر اساس ترکیبی از مدل‌های یادگیری عمیق ارائه شده است که می‌تواند برای طبقه‌بندی ترافیک اینترنت اشیاء استفاده شود. نتایج تجربی نشان می‌دهد که مدل ترکیبی CNN+RNN-2 بادقت ۸۳.۵۸درصد، عملکرد بهتری نسبت به مدل‌های منفرد و ترکیبی دیگر ارائه می‌دهد. این مدل با ترکیب ویژگی‌های محلی استخراج شده توسط شبکه‌های عصبی کانولوشنال (CNN) و تحلیل وابستگی‌های زمانی توسط شبکه‌های عصبی بازگشتی (RNN)، قادر به شناسایی الگوهای پیچیده‌تری است و دقت تشخیص را بهبود می‌بخشد. همچنین، نتایج به‌دست‌آمده نشان می‌دهد که مدل ترکیبی CNN+RNN-2 بدون نیاز به مهندسی ویژگی دستی، نتایج بهتری نسبت به روش‌های کلاسیک نظارت شده، نیمه نظارت شده و بدون نظارت ارائه می‌دهد. استفاده از یادگیری عمیق به دلیل توانایی آن در استخراج خودکار ویژگی‌ها و یادگیری الگوهای پیچیده، برتری قابل‌توجهی نسبت به تکنیک‌های سنتی هوش مصنوعی دارد.