Využití neuronových sítí pro predikaci síťového provozu

Abstract

V této práci jsou prodiskutovány statické vlastnosti síťového provozu. Dále jsou rozebrány možnosti jeho predikce, se zaměřením na neuronové sítě. Konkrétně tedy hlavně rekurentní neuronové sítě. Trénovací data byla stažena z volně přístupného odkazu. Jde o zachycené pakety provozu LAN sítě z roku 2001. Nejsou nejaktuálnější, ale lze pomocí nich dosáhnout cílů práce. Vstupní data bylo třeba zpracovat do přijatelné podoby. Ve vývojovém prostředí Visual studio 2005 byl vytvořen program na agregaci intenzit těchto dat. Sloučení se jevilo nejvhodnější po intervalech 100 ms. Tím bylo dosaženo vstupního vektoru, který byl rozdělen podle potřeby sítí na trénovací cást a testovací část. Jednotlivé typy sítí pracovaly se stejnými vstupními daty, čímž se dosahovalo objektivnějších výsledků. Z praktického hlediska bylo třeba ověření dvou principů. Principu trénování a principu generalizace. První ze jmenovaných vyžadoval přikládání trénovacích vzorů a ověřování trénování pomocí gradientu a střední chyby. Druhý představoval přiložení neznámých vzorů na neuronovou síť. Sledována byla reakce sítě na tato data. Lze říci, že nejlepším modelem se jevila obecná neuronová síť (LRN). Proto bylo řešení rozvíjeno v tomto směru, kdy následovalo hledání vhodné varianty této rekurentní sítě a její otpimální konfigurace. Nalezenou variantou je topologie 10-10-1. Bylo využíváno programu Matlab 7.6, s nástavbou Neural network toolbox 6. Výsledky jsou zpracovány formou grafů a závěrečným zhodnocením. Všechny úspěšné modely a topologie sítí jsou na přiloženém CD. Avšak Neural network toolbox vykazuje určité problémy při jejich importu. Při tvoření této práce nebylo funkce importu sítě prakticky využíváno. Síť lze importovat, ale většinou se jeví jako nenatrénovaná. Neúspěšné modely sítí nejsou v práci prezentovány, neboť by došlo ke zhoršení přehlednosti a orientace.

In this master’s thesis are discussed static properties of network traffic trace. There are also addressed the possibility of a predication with a focus on neural networks. Specifically, therefore recurrent neural networks. Training data were downloaded from freely accessible on the internet link. This is the captured packej of traffic of LAN network in 2001. They are not the most actual, but it is possible to use them to achieve the objective results of the work. Input data needed to be processed into acceptable form. In the Visual Studio 2005 was created program to aggregate the intensities of these data. The best combining appeared after 100 ms. This was achieved by the input vector, which was divided according to the needs of network training and testing part. The various types of networks operate with the same input data, thereby to make more objective results. In practical terms, it was necessary to verify the two principles. Principle of training and the principle of generalization. The first of the nominated designs require stoking training and verification training by using gradient and mean square error. The second one represents unknown designs application on neural network. It was monitored the response of network to these input data. It can be said that the best model seemed the Layer recurrent neural network (LRN). So, it was a solution developed in this direction, followed by searching the appropriate option of recurrent network and optimal configuration. Found a variant of topology is 10-10-1. It was used the Matlab 7.6, with an extension of Neural Network toolbox 6. The results are processed in the form of graphs and the final appreciation. All successful models and network topologies are on the enclosed CD. However, Neural Network toolbox reported some problems when importing networks. In creating this work wasn’t import of network functions practically used. The network can be imported, but the majority appear to be non-trannin. Unsuccessful models of networks are not presented in this master’s thesis, because it would be make a deterioration of clarity and orientation.