A Machine Learning Approach for Intelligent Digital Network Traffic Classification Using XG Boost and Random Forest

Hanan Ali  Zainel

doi:10.63964/vrf8d325

المؤلفون

حنان علي زينل قسم معلمي الصف الأول، كلية التربية الأساسية، جامعة كركوك، كركوك، العراق المؤلف

DOI:

https://doi.org/10.63964/vrf8d325

الكلمات المفتاحية:

التعلم الآلي؛ حركة مرور الشبكة؛ XGBoost؛ Random Forest؛ إدارة حركة المرور.

الملخص

يتطلب توسع الشبكات الرقمية حلول إدارة ذكية لحركة المرور لأن هذه القضية أصبحت ضرورية للمعالجة. يستكشف البحث تقنيات التعلم الآلي XGBoost جنباً إلى جنب مع Random Forest لتنفيذ أنظمة التحكم الذكية في إدارة حركة مرور الشبكة. تضمنت مرحلة المعالجة المسبقة تنظيف البيانات وتنفيذ اختيار الميزات وتقسيم مجموعة البيانات بين مجموعات فرعية للتدريب والاختبار. حصلت النماذج على التدريب من خلال مجموعات بيانات حركة مرور الشبكة قبل تقييمها باستخدام مقاييس الدقة جنباً إلى جنب مع الدقة والاستدعاء مع تحليل مصفوفة الارتباك. أظهرت النتائج التجريبية أن XGBoost تفوق على Random Forest حيث حقق دقة تصنيف 98.75٪ مصحوبة بدقة 0.987 واستدعاء 0.986 بينما وصل Random Forestإلى دقة 96.42٪ بدقة 0.965واستدعاء 0.961. تصبح عمليات التنبؤ بحركة مرور الشبكة في الوقت الفعلي أكثر كفاءة واستقراراً لأن تقنيات التعلم الجماعي تثبت فعاليتها في نتائج الدراسة الأخيرة. يوضح البحث كيف تظهر تقنية XGBoost وعداً كوحدة تحكم ذكية لحركة مرور الشبكة أثناء حل تعقيدات أطر الشبكة المتغيرة والمعقدة لأنظمة إدارة حركة المرور القادمة.