Makine öğrenmeyi kullanarak ağ trafiğinde anomali tespiti

Bu çalışmanın ana temalarından biri, Merkezi İşlem Birimi (CPU), bellek kullanımı ve bellek tahsis için anormallikleri tespit etmeye ve cihaz sağlığını ölçmeye odaklanmıştır; Makine öğrenmesi (ML) yöntemlerini kullanarak modelleri geliştirerek yirmi bir günlük süreyi bir araya getiren Anahtar Performans Göstergesi (KPI) veri seti için. Evrişimli Sinir Ağı (CNN) ve Uzun Kısa Vadeli Bellek (LSTM) ile Otomatik Kodlayıcılar (AE), Tek Sınıf Destek Vektör Makinesi (Oc-SVM), ayrıca k-En Yakın Komşular (k-NN). Tüm yöntemlerin doğruluğu bir karışıklık matrisi kullanılarak ölçülmüştür. Gözlemlenen sonuçlara göre, derin öğrenme yöntemleri, tüm modeller için sınıflandırma yöntemlerine kıyasla daha iyi performans sonuçları vermektedir. Genel olarak CNN/AE ve LSTM/AE modelleri diğer yöntemlere göre daha yüksek doğruluk göstermektedir. Karışıklık matrisinde doğruluğa göre modellerin en iyiden en kötüye doğru sıralanması; Derin öğrenme modellerinde CNN/AE, LSTM/AE, sınıflandırma modellerinde ise yöntemler için uygun sıralama; k-NN ve Oc-SVM.