.png){kind=icon}
返回
Comparison of Machine Learning Algorithms for SDN Optimization Using TOPSIS Methodology
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-98768-7_22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了如何利用TOPSIS方法进行机器学习，以帮助我们选择最适合优化软件定义网络的算法，并强调了机器学习结合TOPSIS方法作为一种有价值的工具来促进这一选择。软件定义网络在管理方式上取得了显著进展。其自动化和高效性使其成为通过机器学习进行优化的理想选择，从而优化重复性和复杂的任务，使网络管理员能够自由地专注于更具战略性的活动。软件定义网络的优化是低效的，并且容易出错和高昂的运维成本，因此机器学习提供了自动化解决方案，而TOPSIS方法将帮助我们选择最适合优化软件定义网络的算法。TOPSIS具有多种解决方案，其中之一是可视化工具，通过解决方案图表来促进算法的比较，从而识别最佳和最差算法。尽管该方法具有显著优势，但当存在许多备选方案时，该方法可能难以解释且成本高昂。这种聚焦于机器学习和网络优化并使用TOPSIS方法的方法，被视为一种关键策略，用于分析和解决软件定义网络中设备手动管理效率低下的问题，从而提升网络性能、安全性和保密性。
Keyword:
TOPSIS
Automation
Efficiency
Performance
Security
期刊
机构
引用论文
A novel Machine Learning-based Network Intrusion Detection System for Software-Defined Network一种基于机器学习的软件定义网络入侵检测系统
PREAI
分享收藏Detection and Classification of Conflict Flows in SDN Using Machine Learning Algorithms基于机器学习算法的SDN冲突流检测与分类.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Joint Network Function Deployment and Route Selection for Energy Consumption Optimization in SDN面向SDN能耗优化的联合网络功能部署与路由选择
IF0
PREAI
分享收藏
查看更多内容