Multimedia traffic classification based on discrete time Markov chains
Ayrık zamanlı Markov zincirlerini baz alan multimedya trafik sınıflandırması
- Tez No: 784865
- Danışmanlar: DR. ÖĞR. ÜYESİ HÜSEYİN ÖZKAN, PROF. DR. ÖZGÜR GÜRBÜZ ÜNLÜYURT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Ayrık zaman sistemleri, Makine öğrenmesi, Markov zinciri, Sınıflandırma, Discrete time systems, Machine learning, Markov chain, Classification
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda evlerde sayıları artan ağa bağlı cihazların ve kullanılan Skype ,Netflix gibi aplikasyonların yaygınlaşması nedeniyle, Wi-fi ağlarında trafiğin önceliklendirilmesi büyük önem kazandı. Bu uygulamaların bazıları gecikmeye duyarlı iken bazıları ise yüksek veri iletim hızına gerek duymaktadır. Bu yüzden farklı uygulamalardan gelen trafik tiplerini yönetirken trafiklerin tiplerine özel gereksinimleri dikkate almak kullanıcı tecrübesi açısından önemlidir. Dolayısıyla trafik tiplerinin sınıflandırılması, bu gereksinimlerin saptanması ve servis kalitesinin (QoS) artırılması için kullanılabilir. Bu tez kapsamında biz ardı ardına gelen trafik paketlerinin arasındaki güçlü bağlantıları dikkate almak için multimedya trafik akışlarının stokastik ayrık zamanlı Markov zincirleri olarak modellenmesini önerdik. Bu yaklaşımla çalışan dört yeni veri tabanlı sınıflandırma şeması sunduk. Birinci sınıflandırıcı olan ve bit hızının Markov modellemesine dayanan“En Yakın k Markov Bileşeni Sınıflandırıcısı”(kNMC), Markov bileşenlerinin karışımını dikkate alır ve sınıflandırmada eğitim ve test verilerinin arasındaki olabilirlik oranının logaritmasını baz alan bir uzaklık ölçümü kullanır. İkinci sınıflandırıcı olan“Üç Boyutlu En Yakın k Markov Bileşeni Sınıflandırıcısı”(kNMC-3D) birinci sınıflandırıcı ile aynı yöntemleri kullanır ama bit hızının yanında paket sayısı ve peş peşe gelen paketler arası sürelerin ortalamasını da modeline dahil eder. Diğer iki sınıflandırıcı tanıtılan çok sınıflı problemi çözmek için Hata Düzeltme Çıktı Kodlarını (ECOC) çok sayıda ikili kNMC-3D'yle beraber kullanır. Hata Matrisi Odaklı-ECOC (CBvi ECOC) olarak çağrılan üçüncü sınıflandırıcı, kNMC-3D'nin hatalarını düzeltmek için özel olarak tasarlanmış bir ECOC matrisi sunar. Dördüncü sınıflandırıcı olan 2-Seviye-ECOC, üçüncü sınıflandırıcının Skype paketlerinin belirlenmesi konusundaki hatalarını çözmek amacıyla ilave bir sınıflandırma seviyesi ekler. Youtube, Netflix, Skype, Whatsapp, Spotify gibi uygulamaların verilerini içeren bir veri seti topladık. Yaptığımız deneylerde %96.15'e kadar doğruluk oranları elde edilmiştir. Ayrıca bahsedilen aplikasyonların Talep Üzerine Video (VOD), Paylaşım ve Medya Akışı (S&MS), Canlı Video Akışı (VLS) ve Telekonferans (TC) gibi trafik categorileri de sınıflandırılmış ve dört sınıflandırıcı ile %97.75 doğruluk değerlerine ulaşılmıştır. Tanıtılan sınıflandırıcılar ayrıca litaretürden bir kıyaslama veri kümesi ile değerlendirilmiş ve aplikasyon seviyesinde %97.75 doğruluk değeri, kategori seviyesinde %99.59 doğruluk seviyei gözlemlenmiştir. Tanıtılan sınıflandırıcıların; Destek Vektör Makinaları (SVM), Rastgele Orman (RF), Oto Kodlayıcılar (AE) ve problemden bağımsız ECOC metotları olan Bir vs Bir (OVO), Bir vs Hepsi (OVA) gibi rakip algoritmalar ile karşılaştırıldığında daha yüksek başarı oranı ile çalıştığı gözlemlenmiştir.
Özet (Çeviri)
Traffic prioritization has recently become critical for home Wi-Fi networks due to the increased number of connected devices and wide variety of applications. While some of these applications are delay sensitive, some have high throughput requirements. Therefore, managing different traffic types adaptively with regard to their requirements is crucial for a better Quality of Experience (QoE). Traffic type classification can be used to that end for detecting the specific requirements and enhance the Quality of Services (QoS). In the scope of the thesis, we propose to model the multimedia traffic flow as a stochastic discrete-time Markov chain (DTMC) in order to take into account the strong sequentiality (i.e. the dependencies across the data instances) in the traffic flow observations. Within that approach four novel data-driven classification schemes are presented. The first one is k Nearest Markov Components (kNMC) which relies on a Markov modeling of bit-rate. kNMC considers a mixture of Markov components and classifies by using a log-likelihood-based distance between train and test instances. The second classifier is kNMC-3D which applies the same technique with kNMC but focuses on the number of packets and inter-arrival times besides bit-rate. The other two classifiers exploit Error Correcting Output Codes (ECOC) for solving the multiclass problem with multiple binary kNMC-3D classifiers. The third classification scheme namely Confusion Based ECOC (CB-ECOC) proposes a custom-designed ECOC matrix which addresses the errors of kNMC-3D. The fourth classifier named as 2-Level ECOC, adds another classification level to CB-ECOC for resolving the Skype identification issue of CB-ECOC. Considering multimedia data from popular applications such as Youtube, Netflix, Skype, Whatsapp, and Spotify from our introduced dataset, average traffic type classification accuracies are obtained up to 96.15% at the application level. Considering the given applications in different traffic categories, such as, Video on Demand (VOD), Sharing and Media Screening (S&MS), Video Live Streaming (VLS), and Teleconferencing (TC), average classification accuracies up to 97.75% are reached at the category level. The presented classifiers are also evaluated with the benchmark dataset from the literature and average classification accuracies are observed up to 97.75% at the application level, and up to 99.59% at the category level. In our extensive experiments, we observed that the introduced classifiers are highly accurate as compared to prominent competitors such as Support Vector Machines (SVM), Random Forest (RF), autoencoders and problem-independent ECOC models, e.g, One Versus One (OVO) and One Versus All (OVA).
Benzer Tezler
- Düşük çözünürlüklü yüz görüntülerinin yerel zernike momentleri yöntemi ile sınıflandırılması
Classification of the low resolution face images by local zernike moments method
TOLGA ALASAĞ
Yüksek Lisans
Türkçe
2014
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MUHİTTİN GÖKMEN
DOÇ. DR. MUSTAFA ERSEL KAMAŞAK
YRD. DOÇ. DR. SERAP KIRBIZ
- Trafik yorumlarının sınıflandırılmasında normalizasyonun etkisi
The effect of normalization on the classification of traffic comments
ZEYNEP ÖZER
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. OĞUZ FINDIK
- İkili değişkenli verilerde Boole cebri yardımıyla bir sınıflandırma algoritmasının oluşturulması ve dijital reklamcılık üzerine uygulanması
A classification algorithm for binary variable data using Boolean algebra and an application on digital advertising
HAYDAR EKELİK
- Uzaktan algılama verileriyle orman yangını analizi
Forest fire analysis with remote sensing data
COŞKUN ÖZKAN
Yüksek Lisans
Türkçe
1998
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiJeodezi ve Fotogrametri Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİLİZ SUNAR
- Çoğulortam veri iletişiminde özbenzeş dağılım kullanılan trafik modellemesi
Traffic modelling in multimedia data communication by using self-similar distribution
ÖZGÜR BİLGİN
Yüksek Lisans
Türkçe
2003
Elektrik ve Elektronik Mühendisliğiİstanbul ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. DEMİR ÖNER