.png){kind=icon}
返回
Software Defined Network Traffic Classification for QoS Optimization Using Machine Learning
.png){kind=icon}
OA
AI
DOI：10.1007/s10922-025-09911-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在网络基础设施快速扩展的时代，为多样化应用确保最佳性能和服务质量（QoS）面临重大挑战。传统流量分类（TC）方法常因无法适应现代网络环境的动态与复杂性而效果不佳。为解决此局限性，本文提出将软件定义网络（SDN）架构与机器学习（ML）技术相结合。研究考察了四种场景：多类分类和二分类，均在缩放前后进行。我们使用了多种ML模型，包括线性、非线性和混合模型。为评估这些模型的性能，我们采用了多项评估指标，如准确率、F1分数、kappa分数、ROC曲线和混淆矩阵。研究考察了不同的特征缩放方法，包括标准缩放、min-max缩放、max-abs缩放和robust缩放。结果表明，在四种缩放方法中，min-max和max-abs缩放均提供了最佳的性能提升。最后，XGBoost模型在所有场景中表现最佳，准确率最高达到99.97%。
Keyword:
Traffic classification
Software defined networking
Machine learning
Quality of service
期刊
IF:
3.9
论文数:
1.0K
被引数:
1.6K
机构
引用论文
Adaptive Task Offloading in Vehicular Edge Computing Networks: a Reinforcement Learning Based Scheme
PREAI
分享收藏SMOTE for Learning from Imbalanced Data: Progress and Challenges, Marking the 15-year Anniversary《从不平衡数据中学习: 进步与挑战，纪念15周年》OAAI
OAAI分享收藏A Frontier: Dependable, Reliable and Secure Machine Learning for Network/System Management前沿: 用于网络/系统管理的可靠、可靠和安全的机器学习
PREAI
分享收藏
Semi-Supervised Extreme Learning Machine Channel Estimator and Equalizer for Vehicle to Vehicle Communications.png)
ElectronicsOAAI
ElectronicsIF0
OAAI分享收藏
查看更多内容