Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39027Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Κιούση, Ευαγγελία | el |
| dc.date.accessioned | 2025-06-11T11:08:17Z | - |
| dc.date.available | 2025-06-11T11:08:17Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39027 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Εξόρυξη δεδομένων | el |
| dc.subject | Δεδομένα | el |
| dc.subject | Αλγόριθμοι | el |
| dc.title | Εξαγωγή γνώσης από ροές κυκλοφορίας σε δίκτυα οριζόμενα από λογισμικό με τη χρήση τεχνικών εξόρυξης δεδομένων | el |
| dc.type | masterThesis | en |
| heal.type | masterThesis | - |
| heal.type.en | Master thesis | en |
| heal.type.el | Μεταπτυχιακή εργασία | el |
| heal.secondaryTitle | Knowledge extraction from traffic flows in Software Defined Networks, based on Data Mining Techniques | en |
| heal.classification | Εξόρυξη δεδομένων | - |
| heal.classification | Αλγόριθμοι | - |
| heal.dateAvailable | 2025-06-11T11:09:17Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2024 | - |
| heal.abstract | Στην παρούσα εργασία γίνεται μια εκτενής βιβλιογραφική επισκόπηση στην οποία περιλαμβάνονται μελέτες οι οποίες περιγράφουν τη λογική των SDN δικτύων, του πρωτοκόλλου Open Flow, και του Traffic Engineering. Επίσης, περιγράφεται η διαχείριση των ροών κυκλοφορίας μέσα από την βαθιά μάθηση στα SDN δίκτυα, η αρχιτεκτονική των δικτύων SDN, οι τεχνικές εξόρυξης δεδομένων, η λειτουργία της πλατφόρμας Apache Spark με τα βασικότερα χαρακτηριστικά της όπως: το Resilient distributed dataset, το Directed acrylic graph, τα data frames και τα datasets, το Machine learning library και η χρήση της γλώσσας python. Ακόμη, περιγράφονται οι αλγόριθμοι και οι τεχνικές εξόρυξης δεδομένων όπως η ταξινόμηση, η συσταδοποίηση, η παλινδρόμηση, οι κανόνες σύνδεσης, τα νευρωνικά δίκτυα και οι εφαρμογές εξόρυξης δεδομένων. Ακολουθεί, η μεθοδολογία που χρησιμοποιήθηκε για την πειραματική προσέγγιση περιγράφοντας τα εργαλεία που χρησιμοποιήθηκαν για την υλοποίηση καθώς και την επικύρωση των πειραματικών μετρήσεων αναδεικνύοντας στην ουσία τον αλγόριθμο που δείχνει τις καλύτερες μετρήσεις για την πρόβλεψη. Ακολουθεί η πειραματική προσέγγιση και οι πειραματικές μετρήσεις, αρχικά με την περιγραφή των δεδομένων που περιλαμβάνεται στο αρχείο του συνόλου δεδομένων με ονομασία SDN_Traffic.csv και στην συνέχεια η ανάπτυξη του μοντέλου πρόβλεψης εξόρυξης δεδομένων μέσα από την χρήση τριών αλγορίθμων μάθησης όπως ο Naïve Bayes, ο Linear Regressionκαι ο Logistic Regression παραθέτοντας τις ανάλογες μετρήσεις. | el |
| heal.abstract | In this paper, an extensive literature review is carried out which includes studies that describe the logic of SDN networks, the Open Flow protocol, and Traffic Engineering. It also describes the management of traffic flows through deep learning in SDN networks, the architecture of SDN networks, data mining techniques, the operation of the ApacheSpark platform with its main features such as Resilient distributed dataset, Directed acrylic graph, data frames and datasets, Machine learning library and the use of the python language. Also, data mining algorithms and techniques such as classification, clustering, regression, connection rules, neural networks, and data mining applications are described. Next, the methodology used for the experimental approach describing the tools used for the implementation as well as the validation of the experimental measurements highlighting essentially the algorithm that shows the best measurements for the prediction The experimental approach and the experimental measurements follow, initially with the description of the dataset included, named SDN_Traffic.csv file and then the development of the data mining prediction model through the use of three learning algorithms such as Naïve Bayes, Linear Regression and Logistic Regression, listing the corresponding measurements. | en |
| heal.advisorName | Μαργαρίτη, Σπυριδούλα | el |
| heal.committeeMemberName | Στεργίου, Ελευθέριος | el |
| heal.committeeMemberName | Τσούλος, Ιωάννης | el |
| heal.academicPublisher | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.numberOfPages | 92 σ. | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Διατριβές Μεταπτυχιακής Έρευνας (Masters) - ΠΤΠ | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| Μ.Ε ΚΙΟΥΣΗ ΕΥΑΓΓΕΛΙΑ.pdf | 3.5 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
