INTELIGENCIA ARTIFICIAL EM CONTAGENS

APRENDIZADO DE MÁQUINA

A aplicação de modelos de aprendizado de máquina para a análise de medições de tráfego de rede aumentou muito nos últimos anos. No uso da rede de simulação de tráfego atual o tratamento e o volume são superficiais, praticamente onde o conjunto de recursos são aplicados artesanalmente, para corrigir os dados antes do treinamento. Existem dois problemas principais associados a este abordagem: em primeiro lugar, requer conhecimento de domínio especializado para selecionar os recursos de entrada, e em segundo lugar, diferentes conjuntos de recursos de entrada personalizados são geralmente necessários de acordo com o alvo específico (por exemplo, segurança de rede, detecção de anomalias, tráfego classificação). Por outro lado, o poder dos modelos de aprendizado de máquina usando arquiteturas profundas (ou seja, aprendizado profundo) para rede ainda não foi muito explorado. Esses modelos tiveram grande sucesso em vários domínios, especialmente em visão computacional, processamento de linguagem natural, tradução automática e, mais recentemente em jogos. O principal objetivo deste trabalho é explorar o poder do aprendizado profundo modelos para aprimorar a análise de medições de tráfego de rede. Para este fim, o problema específico de detecção e classificação de ataques de rede é estudado.

SISTEMAS DISRUPTIVOS

A previsão do fluxo de tráfego tem um lugar importante no projeto de sucesso em um sistema de tráfego inteligente. O sucesso da previsão está relacionado à precisão e aquisição oportuna dos dados do fluxo de tráfego.

A inadequação no número de dados tem levado ao uso de arquiteturas e sistemas de pouca profundidade, ou seja, até este momento, as amostragens são insuficientes nos modelos de projeção e previsão de tráfego ou projetar modelos com os dados gerados. Esses modelos falharam em ocorrer resultados de previsão com sucesso suficiente.

Hoje em dia, na era do big data, em paralelo com o aumento da densidade do tráfego, tem havido um aumento significativo na diversidade e no tamanho dos dados de fluxo de tráfego coletados. Esse resultado constitui a principal motivação de nosso estudo. Nosso estudo visa prever a densidade de tráfego na saída de uma via que possui vias interligadas de saída A. Os modelos de previsão propostos em nosso estudo foram projetados usando técnicas de Deep Learning geralmente aceitas, que podem ocorrer resultados de previsão significativos com big data.

AVISOS COM DISRUPÇÃO DO MODO ATUAL