Ανάλυση και πρόβλεψη δεδομένων δικτυακής κίνησης σε κατανεμημένα συστήματα πραγματικού χρόνου

Κολυβάς, Ευάγγελος; Kolyvas, Evangelos

dc.contributor.author	Κολυβάς, Ευάγγελος	el
dc.contributor.author	Kolyvas, Evangelos	el
dc.date.accessioned	2015-12-02T10:21:43Z
dc.date.available	2016-12-02T03:00:21Z
dc.date.issued	2015-12-02
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/41732
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.13549
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Ανάλυση δικτυακής κίνησης	el
dc.subject	Πρόβλεψη δικτυακής κίνησης	el
dc.subject	sFlow	en
dc.subject	Apache storm	en
dc.subject	Weka	en
dc.title	Ανάλυση και πρόβλεψη δεδομένων δικτυακής κίνησης σε κατανεμημένα συστήματα πραγματικού χρόνου	el
heal.type	bachelorThesis
heal.classification	Πληροφορική	el
heal.language	el
heal.access	free	el
heal.recordProvider	ntua	el
heal.publicationDate	2015-07-29
heal.abstract	Αντικείμενο της παρούσας διπλωματικής αποτελεί η Ανάλυση και Πρόβλεψη Δεδομένων Δικτυακής Κίνησης. Το σύνολο των δεδομένων που χρησιμοποιούνται αποτελείται από πραγματικά δείγματα πακέτων τα οποία δρομολογήθηκαν μέσω του κόμβου ουδέτερης διασύνδεσης GR-IX σε διάστημα 29 εβδομάδων. Η καταγραφή αυτών των πακέτων έγινε με το εργαλείο sFlow. Αρχικά, στόχος μας είναι η υλοποίηση ενός Κατανεμημένου Συστήματος Πραγματικού Χρόνου το οποίο θα είναι σε θέση να λαμβάνει και να επεξεργάζεται τα παραπάνω δεδομένα. Επίσης, θα μπορεί να συνδυάζει αυτές τις αρχικές πληροφορίες με ένα σύνολο δευτερευόντων πληροφοριών, ώστε με την χρήση αυτών και περαιτέρω ανάλυση, να είναι σε θέση να παράγει χρήσιμα στατιστικά στοιχεία όπως τον σημαντικότερο ISP κάθε χώρας, με βάση την εξερχόμενη και εισερχόμενη κίνηση στο δίκτυο του. Για τον σκοπό αυτό χρησιμοποιήθηκαν εργαλεία ανοιχτού κώδικα, κατανεμημένης επεξεργασίας και αποθήκευσης δεδομένων, όπως το Apache ZooKeeper, Apache Hadoop (HDFS), Apache Kafka και Apache Storm. Σε αυτό το πρώτο μέρος θα μας απασχολήσουν ζητήματα όπως η ταχύτητα επεξεργασίας των δεδομένων μας (throughput) και η κλιμακωσιμότητα του συστήματος μας. Σε δεύτερη φάση ασχοληθήκαμε με την εξόρυξη γνώσης (data mining) από τα δεδομένα μας και την μηχανική μάθηση (machine learning). Συγκεκριμένα, θα προσπαθήσουμε να προβλέψουμε την ωραίας κίνηση (throughput) του δικτύου μας (GR-IX) με βάση τα στοιχεία που διαθέτουμε ως ιστορικό. Για αυτό τον σκοπό θα χρησιμοποιήσουμε το εργαλείο ανοιχτού κώδικα, Weka. Στόχος μας σε αυτό το μέρος είναι η σωστή επιλογή αλγορίθμου κατηγοριοποίησης (classification) για όσο το δυνατόν ακριβέστερη πρόβλεψη.	el
heal.advisorName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Κοζύρης, Νεκτάριος	el
heal.committeeMemberName	Γκούμας, Γεώργιος	el
heal.committeeMemberName	Τσουμάκος, Δημήτριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	97 σ.
heal.fullTextAvailability	true