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