{{ title }}
{{ errorMessage }}


{{ errorMessage }}





{{ registerSuccessMessage }}
当前位置: 首页> 技术应用> 正文 
收藏
点赞
投稿
机器学习在网络中的实际应用
来源: 作者:
  2021-12-06   

文章译自Embedded Computing Design

作者:Kandarp Rastey  VOLANSYS科技嵌入式固件开发人员

快速上升的互联网连接需求给改善网络基础设施、性能和其他关键参数带来了压力。网络管理员不得不遇到运行多种网络应用的不同类型的网络。

每个网络应用都有自己的一套功能和性能参数,可能会动态变化。由于网络的多样性和复杂性,为这种网络场景构建的传统算法或硬编码技术是一项具有挑战性的任务。

事实证明,机器学习几乎对每个行业都有好处,包括网络行业。机器学习可以帮助解决难以解决的旧网络障碍,刺激新的网络应用,使网络变得相当方便。让我们通过几个用例来详细讨论基本的工作流程,以便更好地理解网络领域的应用机器学习技术。

智能网络流量管理

随着对物联网(IoT)解决方案的需求不断增长,现代网络产生了大量的、异质的流量数据。对于这样一个动态的网络,传统的网络流量监控和数据分析的网络管理技术,如Ping监控,日志文件监控,甚至SNMP都是不够的。它们通常缺乏实时数据的准确性和有效处理。另一方面,由于设备的移动性和网络的异质性,来自其他来源的流量,如网络中的蜂窝或移动设备,相对来说显示出更复杂的行为。

机器学习促进了大数据系统以及大面积网络的分析,以便在管理此类网络时识别复杂的模式。看着这些机会,网络领域的研究人员将深度学习模型用于网络流量监控和分析应用,如流量分类和预测、拥堵控制等。

1. 带内网络遥测

网络遥测数据提供了关于网络性能的基本指标。这些信息通常是相当难以解释的。考虑到网络中的大小和总数据量,它具有巨大的价值。如果明智地使用,它可以大幅提高性能。

在实时收集详细的网络遥测数据时,新兴的技术,如内联网络遥测技术可以提供帮助。除此之外,在这种数据集上运行机器学习可以帮助关联延迟、路径、交换机、路由器、事件等之间的现象,而这些现象用传统方法很难从大量的实时数据中指出。

机器学习模型被训练来理解遥测数据中的相关性和模式,最终获得了基于其对历史数据的学习而预测未来的能力。这有助于管理未来的网络中断。

2. 资源分配和拥堵控制

每个网络基础设施都有一个预定的可用总吞吐量。它被进一步分割成不同预定带宽的多个通道。在这种情况下,每个终端用户的总带宽使用量是静态预定的,在网络的某些部分总是会出现瓶颈,因为网络的使用量过大。

为了避免这种拥堵,可以训练有素的机器学习模型来实时分析网络流量,并推断出每个用户适当的带宽限制,以使网络经历最少的瓶颈。

这种模型可以从网络统计数据中学习,如每个网络节点的总活跃用户、每个用户的历史网络使用数据、基于时间的数据使用模式、用户在多个接入点的移动等等。

3. 流量分类

在每个网络中,存在着各种流量,如虚拟主机(HTTP)、文件传输(FTP)、安全浏览(HTTPS)、HTTP实时视频流(HLS)、终端服务(SSH),等等。现在,当涉及到网络带宽的使用时,每个人的表现都不同,通过FTP传输文件。它连续使用大量的数据。

例如,如果一个视频正在流传,它使用的数据是分块的,并采用缓冲的方法。当不同类型的流量以无监督的方式在网络中运行时,可以看到一些临时的阻塞。

为了避免这种情况,可以使用机器学习分类器来分析和分类网络中的流量类型。然后,这些模型可以用来推断网络参数,如分配的带宽、数据上限等,以帮助提高网络的性能,改善服务请求的调度,也可以动态地改变分配的带宽。

网络安全

网络攻击数量的增加迫使企业不断监测和关联整个网络基础设施及其用户的数百万外部和内部数据点。人工管理大量的实时数据变得很困难。这就是机器学习的帮助所在。

机器学习可以识别网络中的某些模式和异常情况,并预测海量数据集中的威胁,所有这些都是实时的。通过自动进行这种分析,网络管理员可以很容易地检测到威胁,并在减少人力的情况下迅速隔离情况。

1. 网络攻击识别/预防

网络行为是机器学习系统进行异常检测的一个重要参数。机器学习引擎实时处理海量数据,以识别威胁、未知恶意软件和政策违反。

如果发现网络行为在预定义的行为范围内,网络交易就会被接受,否则就会在系统中触发警报。这可以用来防止许多种类的攻击,如DoS、DDoS和Probe。

2. 预防网络钓鱼

欺骗别人点击一个看似合法的恶意链接,然后试图突破计算机的防御系统是很容易的。机器学习有助于预测鱼目混珠的网站,帮助防止人们连接到恶意网站。

例如,文本分类器机器学习模型可以阅读和理解URL,并在第一时间识别那些欺骗性的钓鱼URL。这将为终端用户创造一个更安全的浏览体验。

机器学习在网络中的整合并不局限于上述的用例。在将ML用于网络和网络安全领域,可以通过从网络和机器学习的角度阐明机会和研究,开发出解决方案来解决未解决的问题。

Kandarp Rastey在过去的两年中与VOLANSYS公司在嵌入式领域合作。他在基于Linux的不同产品的产品开发服务中,用C、C++、Shell Scripts和Python做出了贡献。他对无线协议和物联网自动化领域有深入的了解。他是一个由谷歌云和斯坦福在线认证的敏捷技术爱好者,对开发ML和AI概念有着浓厚的兴趣和工作。

分享到:
  点赞
  收藏
  打印
评论(0
已输入0
最新文章