Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,404,984

 Network prediction with traffic gradient classification using convolutional neural networks
Tác giả hoặc Nhóm tác giả: Taejin Ko, Syed M Raza, Thien-Binh Dang, Moonseong Kim, Hyunseung Choo
Nơi đăng: 2020 14th International Conference on Ubiquitous Information Management and Communication (IMCOM); Số: 10.1109/IMCOM48794.2020.9001712;Từ->đến trang: 1-4;Năm: 2020
Lĩnh vực: Công nghệ thông tin; Loại: Báo cáo; Thể loại: Quốc tế
TÓM TẮT
Current TCP/IP network infrastructures and management systems are facing a tough time in handling the unusual increase in network traffic due to the surge of typical real-time applications. To solve this problem, management system predicts the changes in network traffic and handle them proactively. In this paper, we convert the traffic prediction into a classification problem and use Convolutional Neural Network (CNN) deep-learning technique to classify the fixed time interval traffic into different classes. We implement the CNN model using Python and Keras library. The proposed algorithm shows higher accuracy (92.6%) and F1 score than the existing Random Forest machine learning method.
ABSTRACT
Current TCP/IP network infrastructures and management systems are facing a tough time in handling the unusual increase in network traffic due to the surge of typical real-time applications. To solve this problem, management system predicts the changes in network traffic and handle them proactively. In this paper, we convert the traffic prediction into a classification problem and use Convolutional Neural Network (CNN) deep-learning technique to classify the fixed time interval traffic into different classes. We implement the CNN model using Python and Keras library. The proposed algorithm shows higher accuracy (92.6%) and F1 score than the existing Random Forest machine learning method.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn