Please use this identifier to cite or link to this item:
http://hdl.handle.net/11422/13552
Full metadata record
DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Leão, Rosa Maria Meri | - |
dc.contributor.author | Streit, Ananda Görck | - |
dc.date.accessioned | 2021-01-22T00:17:09Z | - |
dc.date.available | 2023-12-21T03:07:22Z | - |
dc.date.issued | 2019-02 | - |
dc.identifier.uri | http://hdl.handle.net/11422/13552 | - |
dc.description.abstract | The increasing complexity of home networks calls for novel strategies towards e cient network management and workload characterization. In particular, understanding the characteristics of the tra c generated by users is of paramount importance for network planning. Previous work focuses primarily on Deep Packet Inspection (DPI) and/or considers pre-determined patterns to classify tra c ows and detect the application being accessed by users. In this work we use unsupervised machine learning techniques with the objective of discovering users’ tra c pro les. In partnership with an Internet Service Provider (ISP) we collected the download and upload tra c of more than 2,000 home routers of the ISP clients. We then use a tensor decomposition technique (PARAFAC) to extract relevant features from our network traces. We show how the results of PARAFAC and a hierarchical clustering algorithm simplify the task of grouping time series with similar daily tra c patterns. We also show how new users can be classi ed from the decision tree obtained with clustering. To characterize users’ behavior over periods longer than a day, we use the information of the clusters and a Hidden Markov Model (HMM). The results indicate that users tend to maintain a speci c pattern over time, facilitating network planning and management tasks. | pt_BR |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal do Rio de Janeiro | pt_BR |
dc.rights | Acesso Aberto | pt_BR |
dc.subject | Redes de acesso residencial | pt_BR |
dc.subject | Perfis de tráfego | pt_BR |
dc.subject | Aprendizado de máquina | pt_BR |
dc.title | Descobrindo perfis de tráfego de usuários: uma abordagem não supervisionada | pt_BR |
dc.title.alternative | Discovering user traffic profiles: an unsupervised approach | pt_BR |
dc.type | Dissertação | pt_BR |
dc.contributor.advisorLattes | http://lattes.cnpq.br/3553487130003978 | pt_BR |
dc.contributor.authorLattes | http://lattes.cnpq.br/6499247708538462 | pt_BR |
dc.contributor.referee1 | Silva, Edmundo Albuquerque de Souza e | - |
dc.contributor.referee2 | Teixeira, Renata Cruz | - |
dc.description.resumo | As redes domésticas estão cada vez mais complexas. Portanto, é essencial a elaboração de estratégias inovadoras para caracterizar essa nova demanda. Em particular, entender as características do tráfego gerado pelos usuários é de suma importância para o planejamento da rede. Trabalhos anteriores focam principalmente na Inspeção Profunda de Pacotes (DPI) e/ou consideram padrões predeterminados para classificar os fluxos de tráfego e determinar a aplicação sendo utilizada pelos usuários. Neste trabalho utilizam-se técnicas não supervisionadas de aprendizado de máquina com o objetivo de entender o per l de tráfego dos usuários. Em parceria com um Provedor de Serviço Internet (ISP), foram coletados dados do tráfego de download e upload de mais de 2.000 roteadores domésticos. Em seguida, é aplicada uma técnica de decomposição de tensores (PARAFAC) para extrair fatores relevantes de uso da rede. Mostra-se como os resultados do PARAFAC e de um algoritmo de clusterização hierárquica simplificam a tarefa de agrupamento de séries temporais com padrões de tráfego diário similares. Também se mostra como novos usuários podem ser classificados a partir da árvore de decisão obtida com a clusterização. Para caracterizar o comportamento dos usuários em períodos maiores que um dia, utiliza-se a informação dos clusters e de um Modelo de Markov Oculto (HMM). Resultados do modelo indicam que os usuários tendem a manter um padrão específico ao longo do tempo, facilitando tarefas de planejamento e gerenciamento da rede. | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia | pt_BR |
dc.publisher.program | Programa de Pós-Graduação em Engenharia de Sistemas e Computação | pt_BR |
dc.publisher.initials | UFRJ | pt_BR |
dc.subject.cnpq | CNPQ::ENGENHARIAS | pt_BR |
dc.embargo.terms | aberto | pt_BR |
Appears in Collections: | Engenharia de Sistemas e Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
AnandaGorckStreit.pdf | 2.48 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.