Μηχανική Μάθηση για Διαδικτυακά Δεδομένα

Abstract

Σκοπός αυτής της εργασίας είναι η μελέτη της χρήσης μηχανικής μάθησης στον υπολογισμό Διαδικτυακών Δεδομένων. Γνωστό και ως Network Tomography, είναι ο υπολογισμός εσωτερικών χαρακτηριστικών του δικτύου χρησιμοποιώντας πληροφορία από δεδομένα τελικού σημείου (end-point data). Ο σκοπός της μελέτης μας είναι η σύγκριση των κλασικών αλγεβρικών μεθόδων για tomography με τις μεθόδους μηχανικής μάθησης (ML). Πιο συγκεκριμένα μελετάμε πως με την χρήση νευρωνικών δικτύων είναι εφικτό γνωρίζοντας ορισμένες μετρικές για ολόκληρα τμήματα του δικτύου να υπολογίσουμε μετρικές όπως το delay για επιμέρους τμήματα του δικτύου, καθώς και πως επηρεάζουν το νευρωνικό δίκτυο αλλά και η γνωστή πληροφορία την δυνατότητα αυτή. Συγκρίνουμε την αποδοτικότητα αυτής της μεθόδου με τις κλασικές αλγεβρικές μεθόδους. Για το σκοπό αυτό παρουσιάζεται αρχικά η σχετική βιβλιογραφία πάνω στο Network Tomography. Η μοντελοποίηση ενός δικτύου υπολογιστών γίνεται με γράφο για τον οποίο χρησιμοποιείται η βιβλιοθήκη Networkx (https://networkx.org/), ενώ για το νευρωνικό δίκτυο χρησιμοποιείται Python και το Tensorflow.Keras. Συμπεραίνεται τελικά ότι η χρήση νευρωνικών δικτύων για τον υπολογισμό επιμέρους μετρικών υπολογιστικών δικτύων είναι εφικτή. Κλείνοντας παρατίθενται εισηγήσεις για περαιτέρω έρευνα.