TY -的A2 -加索尔,乔凡尼非盟- Wassie Geremew, Getahun AU -叮,建国PY - 2023 DA - 2023/06/22 TI -大象流使用深层神经网络检测,卷积神经网络短期记忆,和Autoencoder SP - 1495642六世- 2023 AB -目前,实时的广泛应用,如VoIP和videos-based应用程序需要更多的数据速率和减少延迟,以确保更好的服务质量(QoS)。一个设计良好的流量分类机制中起着重要作用的QoS提供和网络安全验证。出口方式和深层数据包检测(DPI)技术被用来分类和分析网络流量。然而,这些方法可以应对网络流量的快速增长,由于越来越多的互联网用户和实时应用的发展。因此,这些方法导致网络拥塞,导致丢包,延迟,和QoS不足交付。最近,深度学习的方法探索解决上述方法的时间消耗和不切实际的差距和维护现有的和未来的交通量实时应用程序。然后本研究的目的是设计一个动态流量分类器可以检测到大象流,防止网络拥塞。因此,我们积极提供有效带宽和快速传输要求许多互联网用户使用SDN能力和深度学习的潜力。特别款,CNN、LSTM和深autoencoder用于构建大象检测模型,实现平均精度为99.12%,98.17%,和98.78%,分别。深autoencoder也是有前途的算法不需要人类类贴标签机。 It achieves an accuracy of 97.95% with a loss of 0.13. Since the loss value is closer to zero, the performance of the model is good. Therefore, the study has a great importance to Internet service providers, Internet subscribers, as well as for future researchers in this area. SN - 2090-7141 UR - https://doi.org/10.1155/2023/1495642 DO - 10.1155/2023/1495642 JF - Journal of Computer Networks and Communications PB - Hindawi KW - ER -