به نام خداوند جان و خرد

1. به نام خداوند جان و خرد مدلسازی ترافیک خودشبیه با استفاده از سبکه های عصبی استاد راهنما: دکتر کیارش میزانیان استاد مشاور: دکتر مهدی رضائیان محمد مهدی میرزایی دانشکده برق و کامپیوتر خرداد ماه 1392

2. مقدمه مفاهیم خودشبیهی شبکه های عصبی مدل پیشنهادی نتایج و پیشنهادات

3. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه هدف پژوهش مدل های خودشبیه ضرورت مدلسازی 3

4. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه هدف پژوهش مدل های خودشبیه ضرورت مدلسازی هدف از مدسازی ترافیک اولین قدم در مدلسازی ترافیک • پيداكردن فرآيندهاي تصادفي مناسب براي نشان دادن رفتار ترافيك • درك ويژگيهاي آماري ترافيك دو سری زمانی مورد استفاده در مدلسازی ترافیک • فرآیند نرخ ترافیک (تعداد بسته یا بایت در واحد زمانی) • فاصله زمانی بین ورود بستهها یا Packet inter-arrival times 4

5. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه هدف پژوهش مدل های خودشبیه ضرورت مدلسازی 5

6. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه هدف پژوهش مدل های خودشبیه ضرورت مدلسازی 6

7. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه هدف پژوهش مدل های خودشبیه ضرورت مدلسازی مطالعات اولیه • بررسی پدیده خودشبیهی و تاثیر پارامترهای مختلف بر آن به منظور درک بهتر این پدیده مدلسازی • ارائه یک مدل برای تولید ترافیک خودشبیه 7

8. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست خودشبیهی اشکال خودشبیه فرآیندهای خودشبیه • وجود مشخصات یکسان در مقیاس های متفاوت زمان و فضا • با مقیاس‌گذاری شکل، شکل اولیه با شکل قبلی تقریبا یکسان است • با مقیاس گذاری زمانی، آمارگان دو فرایند با یکدیگر یکسان است 8

9. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست ترافیک واقعی ترافیک پواسون 9

10. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست تعاریف اولیه • تعداد بسته یا بایت رسیده در زمان : • تجمیع فرآیند : • (t) = +…] • تابع خودکواریانس فرآیند : 10

11. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست تعریف ریاضی خودشبیهی • ترافیک خود شبیه است اگر برای همه و : • پارامتر هرست ، میزان خودشبیهی • شرایط خودشبیهی بسیار سخت و محدودکننده است • خودشبیهی مرتبه دوم 11

12. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست تعریف ریاضی خودشبیهی • فرآیند دقیقاً خودشبیه مرتبه دوم است اگر : • فرآیند به صورت مجانبی خودشبیه مرتبه دوم است اگر: 12

13. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست ویژگی وابستگی بلند مدت فرآیندهای خودشبیه • فرآیندهای خودشبیه می توانند از خود وابستگی بلند مدت نشان دهند • یک فرآیند با وابستگی بلند مدت دارای تابع خود همبستگی زیر است: • خودشبیهی و وابستگی بلند مدت در حالت کلی معادل نیستند • اما در فرآیندهای خودشبیه مرتبه دوم با H > ½ ، هرکدام از این ویژگی ها نشان دهنده دیگری است 13

14. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست ارتباط توزیع دنباله بلند با خودشبیهی • متغیر تصادفی Z داری توزیع دنباله بلند است اگر • پرتو (Pareto) یکی از توزیع­های دنباله بلند است که کاربرد فراوانی دارد • ترافیک تولید شده توسط تعدادی منبع ترافیک ON/OFF که مدت زمان فعالیت آن­ها دارای توزیع دنباله بلند است، خودشبیه خواهد بود 14

15. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه تعریف ریاضی کشف خودشبیهی مفهوم خودشبیهی تخمین هرست 15

16. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه پیشبینی سریزمانی پرسپترون معرفی Dendrites شبکه عصبی چیست؟ • شبكههاي عصبي مصنوعي روشهايي هستند كه به تقليد سيستم عصبي زيستي انسان ميپردازند Soma Synapse Axon inputs ActivationFunction F ∑ … … threshold weights 16

17. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه پیشبینی سریزمانی پرسپترون معرفی ویژگیها • به صورت لایه لایه • عدم وجود اتصال بین نرون های یک لایه • حرکت داده ها به صورت رو به جلو • نوع یادگیری: با ناظر • الگوریتم یادگیری: پس انتشار خطا یک شبکه پرسپترون چند لایه ساده 17

18. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه پیشبینی سریزمانی پرسپترون معرفی یک گام به جلو • در این حالت شبکه سعی دارد یک گام جلوتر را تخمین بزند ANN ANN … … … چند گام به جلو • در این حالت شبکه سعی دارد چند گام جلوتر را تخمین بزند 18

19. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه مجموعه ترافیکهای استفاده شده MAWI دانشگاه یزد • یک گروه تحقیقاتی در ژاپن • 150 مگا بیت بر ثانیه • بازه­های زمانی مختلف به مدت یک ساعت • لینک ارتباطی دانشگاه یزد و مرکز مخابرات ایران • 62 مگا بیت بر ثانیه • بازه­های زمانی مختلف به مدت یک ساعت 19

20. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه H روش واریانس زمان H H 20

21. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه پیشبینیسریزمانی با استفاده از شبکه عصبی مدل SWING ایده مدل • هیچ تلاشی برای تحلیل خودشبیهی صورت نمی گیرد • بدون پارامتر • از ترافیک واقعی آموزش می بیند مولد عدد تصادفی 21

22. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه 1 فازهای مدل 1 1 • فاز آموزش • فاز تولید ترافیک 2 2 2 3 1 3 3 4 • هیچ تلاشی برای تحلیل خودشبیهی صورت نمی گیرد • بدون پارامتر • از ترافیک واقعی آموزش می بیند لایه خروجی 4 4 5 5 5 لایه پنهان دوم لایه پنهان اول 49 ساختار شبکه عصبی استفاده شده لایه ورودی 22

23. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه 1 1 1 ورودی 2 خروجی مطلوب 2 2 3 1 3 3 4 • هیچ تلاشی برای تحلیل خودشبیهی صورت نمی گیرد • بدون پارامتر • از ترافیک واقعی آموزش می بیند 4 4 5 5 5 49 23

24. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه 1 ترافیک تولیدی 1 1 2 2 2 3 1 3 3 4 4 4 … 5 5 5 + 49 مولد عدد تصادفی 24

25. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه مولد عدد تصادفی چرا؟ • ایجاد خاصیت تصادفی بودن در ترافیک تولیدی راه حل؟ مقیاس؟ • روش تبدیل معکوس یا Inverse Transform Metod • مقیاس خیلی کوچک: بی تاثیر • مقیاس بزرگ: از بین بردن همبستگی بین دادهها توزیع آماری؟ • مشابه خطای موجود بین داده واقعی و داده تولید شده در فاز آموزش 25

26. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه مولد عدد تصادفی تغییرات متغیر تصادفی فرضی تابع چگالی احتمال یا PDF متغیر تصادفی 26

27. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه مولد عدد تصادفی CDFمتغیر تصادفی • یک عدد از توزیع یکنواخت • دارای توزیع آماری یکسان با 27

28. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه مولد عدد تصادفی تغییرات متغیر تصادفی و مقایسه توزیع آماری و 28

29. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه 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 لازم دارد. 29

30. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه دقت و درستی ترافیک واقعی ترافیک تولیدی 30

31. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه دقت و درستی H روش واریانس زمان روش R/S 31

32. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه دقت و درستی ترافیک یزد H روش واریانس زمان روش R/S 32

33. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه دقت و درستی m = 1 m = 2 m = 4 فرایند تجمیع ترافیک تولیدی m = 8 m = 16 33

34. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه ارزیابی مدل فاز تولید فاز آموزش ایده مدل مطالعات اولیه زمان مورد نیاز • موازی سازی در شبکه عصبی • افزایش سرعت تا صد برابر • به زمان سایر مدلها باید زمان تحلیل و تخمین پارامتر هم اضافه شود • زمان به عنوان بهایی برای سهولت استفاده 34

35. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه برونداد پیشنهادات نتیجه گیری مدلسازی مطالعات اولیه • 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 • مقایسه میزان خودشبیهی ترافیک دانشگاه و ترافیک MAWI • رابطه مستقیم بین بار و میزان خودشبیهی • میزان خودشبیهی پروتکل های مختلف 35

36. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه برونداد پیشنهادات نتیجه گیری • استفاده از تبدیل موجک برای بالا بردن دقت • استفاده از سایر خانواده های شبکه های عصبی مانند شبکه های بازگشتی و شبکه های CMAK • موازی سازی به کمک واحدهای پردازشی گرافیکی یا GPU • به کار بردن تخمین چند گام به جلو در ساختار شبکه عصبی 36

37. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه برونداد پیشنهادات نتیجه گیری • محمد مهدی میرزایی، کیارش میزانیان، مهدی رضاییان، " بررسی تاثیر شرایط مختلف بر میزان خودشبیهی ترافیک شبکههای کامپیوتری: مطالعه موردی ترافیک شبکه دانشگاه یزد" ، هجدهمين كنفرانس ملي سالانه انجمن كامپيوتر ايران‌‌، دانشگاه صنعتي شريف، تهران، 22-24 اسفندماه 1391 • 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 Self-similarity 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” 37

38. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه برونداد پیشنهادات نتیجه گیری 38

39. نتیجه و پیشنهادات مدل پیشنهادی شبکه عصبی خودشبیهی مقدمه سپاسگزارم 39