تحلیل سری زمانی برای ترافیک شبکه وتشخیص ناهنجاری

شرح پروژه

هدف این پروژه، پیش‌بینی ترافیک شبکه و تشخیص ناهنجاری‌های ترافیکی با استفاده از مدل‌های سری زمانی و یادگیری عمیق است. هدف اصلی توسعه مدلی هوشمند است که بتواند رفتار آینده ترافیک شبکه را پیش‌بینی کرده و با تحلیل اختلاف بین مقدار واقعی و پیش‌بینی‌شده، رخدادهایی مانند Traffic Burst، Flash Crowd، حملات DDoS و Network Congestion را شناسایی کند.

در مرحله اول، یک دیتاست معتبر مانند MAWI Traffic Dataset به‌عنوان داده اصلی انتخاب و آماده‌سازی می‌شود. این دیتاست شامل ترافیک واقعی Backbone اینترنت است و برای مطالعات پیش‌بینی ترافیک و تشخیص ناهنجاری مناسب است. پس از دریافت داده، ویژگی‌هایی مانند Timestamp، Bytes/sec، Packets/sec، Flow Duration، Number of Flows، Bandwidth Utilization و Protocol Statistics استخراج شده و داده‌ها به ساختار سری زمانی تبدیل می‌شوند.

در ادامه، تحلیل اولیه داده (EDA) برای بررسی رفتار ترافیک انجام می‌شود. در این مرحله، توزیع داده‌ها، آمار توصیفی، روند زمانی، الگوهای دوره‌ای، آزمون ایستایی و نمودارهای ACF و PACF بررسی خواهند شد. همچنین از نمودارهای آماری مانند KDE Plot، Violin Plot و Residual Boxplot برای تحلیل دقیق‌تر داده‌ها استفاده می‌شود.

برای پیش‌بینی ترافیک، مدل‌های ARIMA، LSTM، GRU، CNN-LSTM، Attention و Transformer پیاده‌سازی و مقایسه می‌شوند. علاوه بر ارزیابی عملکرد مدل‌ها، تحلیل Ablation Study برای بررسی تأثیر اجزای مختلف مانند CNN، BiLSTM و Attention انجام خواهد شد. همچنین برای اعتبارسنجی آماری نتایج از آزمون‌هایی مانند Bootstrap Confidence Interval، Wilcoxon Test و Diebold-Mariano Test استفاده می‌شود.

در بخش تشخیص ناهنجاری، خطای پیش‌بینی مدل به‌عنوان معیار شناسایی رخدادهای غیرعادی استفاده می‌شود؛ به‌طوری‌که عبور خطا از یک آستانه مشخص نشان‌دهنده وقوع ناهنجاری خواهد بود. عملکرد این بخش با معیارهایی مانند Accuracy، Precision، Recall، F1-score و False Alarm Rate ارزیابی می‌شود.

 در نهایت انتظار می‌رود دقت مدل به حدود 85٪ تا 98٪ برسد و نشان داده شود.

در پایان باید تمام شکل‌ها، جدول‌ها و نتایج به صورت حرفه‌ای تهیه شوند. نمودارها باید با کیفیت بالا رسم شوند، جداول مقایسه‌ای کامل باشند.

بدیهی است نتایج ممکن است دقیقاً مشابه مقاله نباشند، اما باید روندها و رفتارهای گزارش‌شده به‌درستی مشاهده شوند. همچنین مدل‌ها نباید دچار overfitting یا underfitting شدید باشند و رفتار آموزش باید پایدار و قابل دفاع باشد و نتایج و تصاویر با کیفیت باشند.

کد نهایی باید به‌صورت کامل و قابل اجرا (ترجیحاً در قالب Jupyter Notebook) ارائه شود و شامل تمامی بخش‌های تولید داده، آموزش مدل‌ها و رسم نمودارها باشد. همچنین در تمام بخش‌های کد باید توضیحات (کامنت‌گذاری کامل و قابل فهم) درج شود تا منطق پیاده‌سازی کاملاً مشخص باشد.

از ایجاد خروجی غیر واقعی (ساخت منحنی جعلی) حتماً و اکیداً اجتناب شده و تمامی خروجی‌ها باید مستقیماً حاصل اجرای مدل و داده‌های واقعی باشند.

جهت اطمینان از درستی کدها، مجدداً شخصاً کدها قبل از پذیرش پروژه اجرا خواهند شد و نباید هیچ‌گونه خطا (Error) در اجرا مشاهده شود و یا خروجی اشتباه تولید گردد.

کامل مطالعه کنید با دقت بعدا با تشکر

این پروژه شامل 1 فایل مهم است، لطفا قبل از ارسال پیشنهاد حتما نسبت به بررسی این فایل اقدام فرمایید.

مهارت ها و تخصص های مورد نیاز

درباره کارفرما

کاربر775196

عضویت یک ماه پیش

3 پروژه ثبت شده ،

0 پروژه در حال انجام ،

0 پروژه آماده دریافت پیشنهاد ،

نرخ پذیرش پیشنهاد 100%