Please use this identifier to cite or link to this item:
https://olympias.lib.uoi.gr/jspui/handle/123456789/39607Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.author | Τόλη, Ευαγγελία | el |
| dc.date.accessioned | 2025-11-13T10:21:14Z | - |
| dc.date.available | 2025-11-13T10:21:14Z | - |
| dc.identifier.uri | https://olympias.lib.uoi.gr/jspui/handle/123456789/39607 | - |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
| dc.subject | Διαδίκτυο | el |
| dc.subject | Μηχανική μάθηση | el |
| dc.title | Ταξινόμηση ροών κυκλοφορίας δικτύων SDN με χρήση τεχνικών μηχανικής μάθησης | el |
| heal.type | bachelorThesis | - |
| heal.type.en | Bachelor thesis | en |
| heal.type.el | Προπτυχιακή/Διπλωματική εργασία | el |
| heal.classification | Διαδίκτυο - SDN | - |
| heal.classification | Μηχανική μάθηση - Τεχνική | - |
| heal.dateAvailable | 2025-11-13T10:22:14Z | - |
| heal.language | el | - |
| heal.access | free | - |
| heal.recordProvider | Πανεπιστήμιο Ιωαννίνων. Σχολή Πληροφορικής και Τηλεπικοινωνιών. Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.publicationDate | 2025 | - |
| heal.abstract | Η ταξινόμηση της δικτυακής κυκλοφορίας αποτελεί κρίσιμο παράγοντα για την εύρυθμη λειτουργία των δικτύων, την επίτευξη της επιθυμητής απόδοσης, την ορθολογική κατανομή των πόρων και την ενίσχυση της ασφάλειας. Η υλοποίηση της ταξινόμησης σε δίκτυα που βασίζονται στην αρχιτεκτονική SDN παρουσιάζει αυξημένες προκλήσεις, καθώς τα εν λόγω δίκτυα διαφοροποιούνται από τα παραδοσιακά λόγω της προγραμματιζόμενης φύσης τους και της δυνατότητας διαχωρισμού των επιπέδων ελέγχου και δεδομένων. Στο πλαίσιο αυτό, διερευνάται η εφαρμογή τεχνικών μηχανικής μάθησης για την ταξινόμηση της κυκλοφορίας στα δίκτυα SDN, με στόχο τη συγκριτική αξιολόγηση της αποτελεσματικότητάς τους σε σύγκριση με τις παραδοσιακές τεχνικές ταξινόμησης (Port-based identification, DPI(Deep Packet Inspection)), την ανάδειξη των βέλτιστων πρακτικών και τον εντοπισμό προκλήσεων και ερευνητικών κενών. | el |
| heal.abstract | Network traffic classification is a critical factor for the smooth operation of networks, achieving desired performance, rational resource allocation, and enhanced security. Implementing classification in SDN-based networks presents increased challenges, as these networks differ from traditional ones due to their programmable nature and the ability to separate control and data planes. In this context, the application of machine learning techniques for traffic classification in networks SDN is investigated, with the aim of comparatively evaluating its effectiveness compared to traditional classification techniques (Port-based identification, DPI (Deep Packet Inspection)), highlighting best practices and identifying challenges and research gaps. | en |
| heal.advisorName | Μαργαρίτη, Σπυριδούλα | el |
| heal.committeeMemberName | Λιαροκάπης, Δημήτριος | el |
| heal.committeeMemberName | Στεργίου, Ελευθέριος | el |
| heal.academicPublisher | Τμήμα Πληροφορικής και Τηλεπικοινωνιών | el |
| heal.academicPublisherID | uoi | - |
| heal.fullTextAvailability | true | - |
| Appears in Collections: | Προπτυχιακές εργασίες Τμ. Μηχανικών Πληροφορικής Τ.Ε. | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| ΤΟΛΗ ΕΥΑΓΓΕΛΙΑ - ΠΛΗΡΟΦΟΡΙΚΗΣ.pdf | 1.51 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
