ایده مدل - Kiarash Mizanian
Download
Report
Transcript ایده مدل - Kiarash Mizanian
به نام خداوند جان و
خرد
مدلسازی ترافیک
میزانیزان
دکتر کیارش
استاد راهنما:
استفاده ا
خودشبیه با
استاد مشاور :دکتر مهدی رضائیان
عصبی
های
سبکه
محمد مهدی میرزایی
دانشکده برق و کامپیوتر
خرداد ماه 1392
مقدمه
مفاهیم خودشبیهی
شبکه های عصبی
مدل پیشنهادی
نتایج و پیشنهادات
مقدمه
خودشبیهی
شبکه عصبی
ضرورت مدلسازی
مدل های خودشبیه
هدف پژوهش
مدل پیشنهادی
شبکههای
کامپیوتری
اهمیت
رشد و توسعه سریع
ارزیابی
شبیه سازی
مدلسازی
مدلسازی
ترافیک
سادگی
نتیجه و پیشنهادات
ارزیابی
نزدیک بودن به
واقعیت
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
3
از 39
مقدمه
خودشبیهی
شبکه عصبی
ضرورت مدلسازی
مدل های خودشبیه
هدف پژوهش
هدف از مدسازی ترافیک
پيداكردن فرايندهاي تصادفي مناسب براي نشان
دادن رفتار ترافيك
مدل پیشنهادی
نتیجه و پیشنهادات
اولین قدم در مدلسازی ترافیک
درك ويژگيهاي اماري ترافيك
دو سری زمانی مورد استفاده در مدلسازی ترافیک
فرایند نرخ ترافیک (تعداد بسته یا بایت در واحد زمانی)
فاصله زمانی بین ورود بستهها یا Packet inter-arrival times
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
4
از 39
مقدمه
خودشبیهی
شبکه عصبی
ضرورت مدلسازی
مدل های خودشبیه
هدف پژوهش
تحلیل ترافیک واقعی
مدل های اولیه
• توزیع پواسون
• سادگی
• وجود
خودشبیهی
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
مدل پیشنهادی
نتیجه و پیشنهادات
تناقض
• بوجود امدن
اختالف بین
مدل های
ترافیک و
ترافیک واقعی
5
از 39
مقدمه
خودشبیهی
شبکه عصبی
ضرورت مدلسازی
مدل های خودشبیه
هدف پژوهش
مدل پیشنهادی
نتیجه و پیشنهادات
FBN
FGN
مدلهای
خودشبیه
∞M/G/
FARIMA
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
6
از 39
مقدمه
خودشبیهی
شبکه عصبی
ضرورت مدلسازی
مدل های خودشبیه
هدف پژوهش
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
بررسی پدیده خودشبیهی و تاثیر پارامترهای مختلف بر ان به منظور درک بهتر این پدیده
مدلسازی
ارائه یک مدل برای تولید ترافیک خودشبیه
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
7
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
خودشبیهی
وجود مشخصات یکسان در مقیاس های متفاوت زمان و فضا
اشکال خودشبیه
با مقیاسگذاری شکل ،شکل اولیه با شکل قبلی تقریبا یکسان است
فرایندهای خودشبیه
با مقیاس گذاری زمانی ،امارگان دو فرایند با یکدیگر یکسان است
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
8
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
ترافیک پواسون
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
نتیجه و پیشنهادات
ترافیک واقعی
9
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
تعاریف اولیه
تعداد بسته یا بایت رسیده در زمان 𝑡:
تجمیع فرایند )𝑡(𝑋:
] 𝑚𝑡𝑋…+ 𝑋𝑡𝑚−𝑚+2 +
تابع خودکواریانس فرایند )𝑡(𝑋:
)𝑡(𝑋
)𝑡( 𝑚 𝑋
1
[𝑋𝑡𝑚−𝑚+1
𝑚
= )𝑋 𝑚 (t
)𝑘(𝛾
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
10
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
تعریف ریاضی خودشبیهی
ترافیک خود شبیه است اگر برای همه 𝑡 ≥ 0و :𝑎 > 0
𝑡𝑎 𝑋 𝐻𝑋 𝑡 ≜ 𝑎−
پارامتر هرست ، 0 < 𝐻 < 1میزان خودشبیهی
شرایط خودشبیهی بسیار سخت و محدودکننده است
خودشبیهی مرتبه دوم
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
11
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
تعریف ریاضی خودشبیهی
فرایند ً
دقیقا خودشبیه مرتبه دوم است اگر :
𝐻2
− 2𝑘 2𝐻 + 𝑘 − 1
𝐻2
𝑘+1
𝜎2
= 𝑘 𝛾
2
فرایند به صورت مجانبی خودشبیه مرتبه دوم است اگر:
∀𝑘 ≥0
𝐻2
− 2𝑘 2𝐻 + 𝑘 − 1
𝐻2
𝑘+1
𝜎2
= 𝑘
2
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
𝑚
𝛾 lim
∞→𝑚
12
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
ویژگی وابستگی بلند مدت فرایندهای خودشبیه
فرایندهای خودشبیه می توانند از خود وابستگی بلند مدت نشان دهند
یک فرایند با وابستگی بلند مدت دارای تابع خود همبستگی زیر است:
𝑐 < 𝑟(𝑘)~𝑐𝑘^(−𝛽) 𝑎𝑠 𝑘 → ∞ , 0 < 𝛽 < 1, 0
خودشبیهی و وابستگی بلند مدت در حالت کلی معادل نیستند
اما در فرایندهای خودشبیه مرتبه دوم با ½ > ،Hهرکدام از این ویژگی ها نشان دهنده دیگری است
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
13
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
ارتباط توزیع دنباله بلند با خودشبیهی
متغیر تصادفی Zداری توزیع دنباله بلند است اگر
∞→𝑥
𝑃𝑟{𝑍 > 𝑥} = 𝑐𝑥^(−𝑎) ,
پرتو ) (Paretoیکی از توزیعهای دنباله بلند است که کاربرد فراوانی دارد
ترافیک تولید شده توسط تعدادی منبع ترافیک ON/OFFکه مدت زمان فعالیت انها دارای توزیع دنباله بلند
است ،خودشبیه خواهد بود
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
14
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
مفهوم خودشبیهی
کشف خودشبیهی
تعریف ریاضی
تخمین هرست
نتیجه و پیشنهادات
نمودار R/S
نمودار
Aggregated
Variance
Whittle
روشهای تخمین
پارامتر هرست
Periodogram
Wavelets
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
15
از 39
مدل پیشنهادی
مقدمه
خودشبیهی
شبکه عصبی
معرفی
پرسپترون
پیشبینی سریزمانی
نتیجه و پیشنهادات
Dendrites
شبکه عصبی چیست؟
شبكههاي عصبي مصنوعي روشهاي ي هستند كه
به تقليد سيستم عصبي زيستي انسان ميپردازند
Soma
Synapse
Axon
inputs
Activation
Function
𝑛
(𝐹 = 𝑂
) 𝑖𝑤 𝑖𝑥
𝑂
F
𝑤2
𝑥2
𝑤3
…
𝑥3
…
𝑖=1
∑
𝑤1
𝑥1
𝜃
𝑛𝑤
𝑛𝑥
threshold
weights
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
16
از 39
مقدمه
خودشبیهی
شبکه عصبی
معرفی
پرسپترون
پیشبینی سریزمانی
مدل پیشنهادی
نتیجه و پیشنهادات
ویژگیها
به صورت الیه الیه
عدم وجود اتصال بین نرون های یک الیه
حرکت داده ها به صورت رو به جلو
نوع یادگیری :با ناظر
الگوریتم یادگیری :پس انتشار خطا
یک شبکه پرسپترون چند الیه ساده
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
17
از 39
مقدمه
خودشبیهی
شبکه عصبی
معرفی
پرسپترون
پیشبینی سریزمانی
مدل پیشنهادی
نتیجه و پیشنهادات
یک گام به جلو
در این حالت شبکه سعی دارد یک گام جلوتر را تخمین بزند
…
…
𝑗𝑥𝑖+𝑘+
ANN
𝑥𝑖+𝑘+1
𝑘𝑥𝑖+
ANN
…
𝑥𝑖+𝑘+1
𝑥𝑖+1
𝑥𝑖+2
𝑥𝑖+1
𝑥𝑖+2
𝑘𝑥𝑖+
چند گام به جلو
در این حالت شبکه سعی دارد چند گام جلوتر را تخمین بزند
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
18
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مجموعه ترافیکهای استفاده شده
دانشگاه یزد
MAWI
لینک ارتباطی دانشگاه یزد و مرکز مخابرات ایران
62 مگا بیت بر ثانیه
بازههای زمانی مختلف به مدت یک ساعت
تاریخ میالدی
2012/12/25
وضعیت بار ترافیک
بازه زمانی
نام مجموعه
بار سبک
9:00تا 10:00
YazdLow
بار متوسط
21:00تا 22:00
YazdMid
بار سنگین
1:00تا 2:00
YazdHigh
یک گروه تحقیقاتی در ژاپن
150 مگا بیت بر ثانیه
بازههای زمانی مختلف به مدت یک ساعت
تاریخ میالدی
2012/3/30
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
وضعیت بار ترافیک
نا نمشخص
بازه زمانی
نام مجموعه
2:00تا 3:00
MAWI 1
11:00تا 12:00
MAWI 2
20:00تا 21:00
MAWI 3
19
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
0,9
0,9
0,85
0,85
0,8
0,8
YazdLow
0,75
YazdMid
YazdHigh
H
MAWI 1
0,75
MAWI 2
H
MAWI 3
0,7
0,7
0,65
0,65
0,6
0,6
روش واریانس زمان
0,9
0,85
0,8
0,75
MAWI 1
0,7
MAWI 2
0,65
MAWI 3
H
0,6
0,55
0,5
dns
http
icmp
udp
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
tcp
20
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
پیشبینی
سریزمانی با
استفاده از شبکه
عصبی
مدل
SWING
هیچ تالشی برای تحلیل خودشبیهی صورت
نمی گیرد
بدون پارامتر
از ترافیک واقعی اموزش می بیند
ایده مدل
مولد عدد
تصادفی
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
21
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
فازهای مدل
فاز اموزش
فاز تولید ترافیک
هیچ تالشی برای تحلیل خودشبیهی صورت
1
نمی گیرد
بدون پارامتر
الیه خروجی
از ترافیک واقعی اموزش می بیند
1
1
1
2
2
3
3
4
4
5
5
الیه پنهان دوم
الیه پنهان اول
2
3
4
5
49
ساختار شبکه عصبی استفاده شده
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
الیه ورودی
22
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
𝑵𝑿
…
𝟑𝟓𝑿
𝟐𝟓𝑿
𝟎𝟓𝑿
𝟏𝟓𝑿
𝟗𝟒𝑿
𝟓𝑿
…
خروجی مطلوب
هیچ تالشی برای تحلیل خودشبیهی صورت
گیرد
نمی
′
1
50پار𝑋
51
52
امتر
بدون
از ترافیک واقعی اموزش می بیند
1
1
2
2
3
3
4
4
5
5
𝟒𝑿
ورودی
𝟐𝑿
𝟑𝑿
1
𝑋132
2
𝑋432
3
𝑋543
4
5
49
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
𝟏𝑿
𝑋465
𝑋765
𝑋51
49
50
23
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
ترافیک تولیدی
𝑋 ′ 𝑖+47
1
1
𝑋 ′ 𝑖+48
2
2
3
3
4
4
5
5
…
𝑋 ′ 𝑖+49
𝑖+50
1
1
"
𝑋𝑖+1
𝑗𝑖
2
"
𝑋𝑖+2
𝑖+1
𝑗+1
3
4
5
49
+
مولد عدد تصادفی
"
𝑋𝑖+3
𝑖+2
𝑗+2
"
𝑋𝑖+4
𝑖+3
𝑗+3
"
𝑋𝑖+5
𝑖+4
𝑗+4
"
𝑋𝑖+48
𝑖+49
𝑗+48
𝑋 " 𝑖+49
𝑖𝑟
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
𝑗 ≥ 50
24
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مولد عدد تصادفی
چرا؟
ایجاد خاصیت تصادفی بودن در ترافیک تولیدی
راه حل؟
مقیاس؟
مقیاس خیلی کوچک :بی تاثیر
روش تبدیل معکوس یا Inverse
مقیاس بزرگ :از بین بردن همبستگی بین دادهها
Transform Metod
توزیع اماری؟
مشابه خطای موجود بین داده واقعی و داده تولید شده در فاز اموزش
𝑖 ≥ 50
𝑌𝑖 = 𝑋𝑖 − 𝑋 ′ 𝑖 ,
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
25
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مولد عدد تصادفی
تغییرات متغیر تصادفی فرضی 𝑌
تابع چگالی احتمال یا PDFمتغیر تصادفی 𝑌
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
26
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مولد عدد تصادفی
𝑖𝑢
CDFمتغیر تصادفی 𝑌
𝑖𝑟
𝑢𝑖 یک عدد از توزیع یکنواخت
𝑅 = {𝑟1 ,𝑟2 , … ,𝑟𝑛 } دارای توزیع اماری یکسان با 𝑌
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
27
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مولد عدد تصادفی
تغییرات متغیر تصادفی 𝑅
و مقایسه توزیع اماری 𝑅 و 𝑌
𝑌
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
𝑅
28
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
مدل های خودشبیه از دو جنبه بررسی می شوند
دقت و درستی :با محاسبهي پارامتر هرست ارزيابي ميشود
مدت زماني كه مدل براي توليد ترافيك الزم دارد.
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
29
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
دقت و درستی
ترافیک واقعی
ترافیک تولیدی
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
30
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
دقت و درستی
1
ترافیک MAWI
0,9
0,8
0,7
0,6
ترافیک واقعی
ترافیک تولیدی
0,5
اختالف
0,4
H
0,3
0,2
0,0432
0,0421
0,0551
0,0421
0,0049
0,0076
0,0069
3
2
0,0329
0,1
0
4
3
2
روش R/S
1
4
1
روش واریانس زمان
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
31
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
دقت و درستی
1
ترافیک یزد
0,9
0,8
0,7
0,6
ترافیک واقعی
ترافیک تولیدی
0,5
اختالف
0,4
H
0,3
0,2
0,0348
0,0542
0,0527
2
1
0,0777
0,0136
0,0445
0,1
0
3
روش R/S
2
3
1
روش واریانس زمان
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
32
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
دقت و درستی
m=1
m=2
m=4
فرایند تجمیع
ترافیک تولیدی
m=8
m = 16
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
33
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
مطالعات اولیه
ایده مدل
فاز اموزش
فاز تولید
ارزیابی مدل
زمان مورد نیاز
زمان مورد نیاز برای تولید یک میلیون عدد
مدل پیشنهادی
مدل FARIMA
سایر مدلها
حدود 20دقیقه
41ساعت
بین 1تا 5دقیقه
به زمان سایر مدلها باید زمان تحلیل و تخمین
پارامتر هم اضافه شود
زمان به عنوان بهای ی برای سهولت استفاده
موازی سازی در شبکه عصبی
افزایش سرعت تا صد برابر
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
34
از 39
مقدمه
خودشبیهی
شبکه عصبی
نتیجه گیری
پیشنهادات
برونداد
مدل پیشنهادی
مدلسازی
مطالعات اولیه
مقایسه میزان خودشبیهی ترافیک دانشگاه و
ترافیک MAWI
رابطه مستقیم بین بار و میزان خودشبیهی
میزان خودشبیهی پروتکل های مختلف
نتیجه و پیشنهادات
ارائه مدل ترافیک خودشبیه با استفاده از
شبکه عصبی و مولد عدد تصادفی
تولید ترافیک خودشبیه با دقت مناسب
عدم نیاز به تحلیل و تخمین پارامتر برای تولید
ترافیک
زمانبر نسبت به مدلهای موجود
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
35
از 39
مقدمه
خودشبیهی
شبکه عصبی
نتیجه گیری
پیشنهادات
برونداد
استفاده از سایر خانواده های شبکه های عصبی
مانند شبکه های بازگشتی و شبکه های
CMAK
به کار بردن تخمین چند گام به جلو در ساختار
شبکه عصبی
مدل پیشنهادی
نتیجه و پیشنهادات
استفاده از تبدیل موجک برای باال بردن دقت
موازی سازی به کمک واحدهای پردازشی
گرافیکی یا GPU
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
36
از 39
نتیجه و پیشنهادات
مدل پیشنهادی
شبکه عصبی
خودشبیهی
مقدمه
برونداد
پیشنهادات
نتیجه گیری
مطالعه: " بررسی تاثیر شرایط مختلف بر میزان خودشبیهی ترافیک شبکههای کامپیوتری، مهدی رضاییان، کیارش میزانیان،• محمد مهدی میرزای ی
1391 اسفندماه24-22 ، تهران، دانشگاه صنعتي شريف، هجدهمين كنفرانس ملي ساالنه انجمن كامپيوتر ايران، "موردی ترافیک شبکه دانشگاه یزد
• M. M. Mirzaei, K. Mizanian, M. Rezaeian, “A comparison between self-similarity of
network traffics for different protocols” , 7thSASTech 2013, Iran, Bandar-Abbas. 7-8
March, 2013
• M. M. Mirzaei, K. Mizanian, M. Rezaeian, “Impacts of Different Parameters on Selfsimilarity of Computer Network Traffics: A Case Study of Yazd University
Network Traffic”, The CSI Journal on Computer Science and Engineering, submitted
on May 2013
• M. M. Mirzaei, K. Mizanian, M. Rezaeian, “Modeling of Self-Similar Network
Traffic Using Artificial Neural Networks”
39 از
37
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
مقدمه
خودشبیهی
شبکه عصبی
نتیجه گیری
پیشنهادات
برونداد
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
مدل پیشنهادی
نتیجه و پیشنهادات
38
از 39
مقدمه
خودشبیهی
شبکه عصبی
مدلسازی ترافیک خودشبیه با استفاده از شبکه عصبی محمد مهدی میرزای ی
مدل پیشنهادی
نتیجه و پیشنهادات
39
از 39