Dewa Ashen - MTL - Chapter 821

Bab 821 Pembaruan Segera Hadir

Karena belum selesai, bab ini akan diperbarui nanti, mungkin sebelum jam 1 pagi? Saat itu, bab ini akan diperbarui secara otomatis.

Abstrak: Untuk mengurangi penundaan dalam transmisi data aman untuk jaringan heterogen, dirancang teknologi transmisi data aman berbasis pembelajaran mesin. Dengan memilih sumber data dan mendefinisikan pentingnya atribut data, pra-pemrosesan dilakukan untuk data jaringan heterogen, dan arsitektur transmisi paralel multi-jalur dibangun. Atas dasar ini, metode pembelajaran mesin digunakan untuk estimasi bandwidth yang efisien dan penyaringan parameter, dan akhirnya, penjadwalan bandwidth dan sistem protokol keamanan saluran dibangun untuk menyelesaikan transmisi data aman dalam jaringan heterogen berbasis pembelajaran mesin. Hasil eksperimen menunjukkan bahwa metode transmisi data aman untuk jaringan heterogen berbasis pembelajaran mesin secara efektif mengurangi penundaan transmisi data dan menurunkan gangguan transmisi data serta tingkat kehilangan paket, memenuhi persyaratan desain teknologi transmisi data.

Kata kunci: Pembelajaran Mesin; Jaringan Heterogen; Transmisi Data Aman; Praproses Data Jaringan; Arsitektur Transmisi Paralel

1 Pendahuluan

Saat ini, teknologi komunikasi berkembang pesat dengan karakteristik berbeda dari berbagai jaringan. Setelah bertahun-tahun reformasi dan inovasi, laju transmisi teknologi akses nirkabel secara bertahap mendekati batasnya. Dalam konteks ini, untuk memenuhi berbagai kebutuhan bisnis, penulisan multi-jaringan sangat diperlukan. Namun, mekanisme penulisan tradisional tidak efisien dalam memanfaatkan sumber daya transmisi jaringan secara simultan dan efektif, gagal memastikan transmisi bisnis yang efisien dan meningkatkan masalah konsumsi energi selama transmisi, sehingga menimbulkan masalah interferensi selama transmisi. Oleh karena itu, banyak peneliti telah melakukan penelitian tentang metode transmisi data multi-jaringan. Dalam literatur [1], Shi Lingling dan Li Jingzhao mempelajari mekanisme transmisi data yang aman dalam jaringan heterogen, yang terutama menggunakan algoritma enkripsi otentikasi AES-GCM yang dioptimalkan dikombinasikan dengan algoritma tanda tangan digital berbasis SHA untuk transmisi data; Dalam literatur [2], Zhou Jing dan Chen Chen mempelajari model keamanan data berdasarkan jaringan heterogen, yang melakukan pra-enkripsi data dan kemudian membangun saluran transmisi yang aman untuk transmisi data. Meskipun kedua metode tersebut mencapai hasil tertentu, masih terdapat beberapa kekurangan. Untuk mengatasi kekurangan tersebut, makalah ini menerapkan metode pembelajaran mesin dalam transmisi data yang aman pada jaringan heterogen untuk menyelesaikan masalah yang ada. Hasil eksperimen menunjukkan bahwa teknologi transmisi data aman untuk jaringan heterogen yang diteliti secara efektif menyelesaikan masalah yang ada dan memiliki signifikansi aplikasi praktis tertentu.

2. Praproses Data untuk Jaringan Heterogen

Dalam transmisi data yang aman pada jaringan heterogen, banyak data yang tidak berguna. Oleh karena itu, perlu untuk memilih sumber data yang relevan dari data jaringan heterogen untuk transmisi, sehingga meningkatkan akurasi dan efisiensi transmisi data. Dalam proses pemilihan sumber data yang efektif, pentingnya digunakan untuk mengukur hubungan antara atribut data [3-4] dan menangkap data yang berkorelasi tinggi, dengan ekspresi perhitungan sebagai berikut: (1) Dalam rumus (1), T mewakili indeks tabel komprehensif dari semua sumber data, dan (i, j) menunjukkan korelasi antara kelas sumber contoh. Berdasarkan penilaian pentingnya sumber data, himpunan tabel data dengan korelasi tertinggi dapat dipilih, mengurangi tabel yang tidak relevan. Setelah menyelesaikan pemilihan sumber data penting di atas, atribut data dianalisis. Suatu sumber data terdiri dari sekumpulan atribut data, dan karakteristik atribut ini mencerminkan informasi dasar dari data yang akan ditransmisikan. Terutama, korelasi tuple data digunakan untuk pengukuran, menganalisis frekuensi kemunculan data tuple, dan mendefinisikan berdasarkan kepadatan data tuple. Peta kepadatan data tupel ditunjukkan pada Gambar 1. Pada Gambar 1, ε mewakili radius lingkungan yang ditentukan. Mengikuti ide ini, bobot setiap data tupel dalam kumpulan data di atas ditetapkan [5-7], dengan ekspresinya sebagai berikut: (2) Dalam rumus (2), w(C) mewakili bobot atribut, w(tk) mewakili jumlah tupel inti, δ mewakili outlier, dan w(tb) mewakili jumlah tupel tepi.

3. Arsitektur Transmisi Paralel Multijalur

Setelah praproses di atas selesai, arsitektur transmisi paralel multi-jalur dibentuk, dengan isi utama sebagai berikut: Pemisahan lalu lintas terlebih dahulu, di mana pemisahan aliran komunikasi melibatkan pengirim membagi blok data besar menjadi unit data dengan ukuran berbeda atau sama [8], dengan ukurannya ditentukan oleh granularitas pemisahan aliran komunikasi, terutama dibagi menjadi kategori berikut: Pertama, dalam pemisahan layanan tingkat paket, paket adalah unit komponen terkecil dari aliran data dan, dengan demikian, granularitas metode pemisahan adalah yang terkecil, memungkinkan probabilitas paket independen, yang dapat dikirim ke pengirim; Kedua, pemisahan lalu lintas tingkat aliran [9], di mana alamat target spesifik dienkapsulasi dalam header paket, dan paket dengan alamat target yang sama dikumpulkan menjadi aliran data, dengan setiap aliran data yang berbeda bersifat independen dan dibedakan oleh pengidentifikasi aliran yang unik. Teknologi pemisahan tingkat aliran dapat secara efektif mengatasi dampak distorsi data pada transmisi multi-jalur [10]. Ketiga, pemisahan lalu lintas tingkat sub-aliran, di mana aliran data dari header tujuan yang sama dibagi menjadi beberapa sub-aliran, dan semua paket dalam sub-aliran berbagi alamat tujuan yang sama, sebagian menyelesaikan masalah ketidakseimbangan beban dalam algoritma pemisahan aliran. Arsitektur transmisi paralel multi-jalur ditunjukkan pada Gambar 2. Selain itu, dalam arsitektur agregasi bandwidth, algoritma penjadwalan menentukan metode transmisi bisnis dan urutan penjadwalan sub-aliran bisnis [11], memastikan kedatangan sub-aliran bisnis secara teratur di ujung penerima. Selanjutnya, kita akan membahas penjadwalan data.

4. Perumusan Skema Penjadwalan Bandwidth

Untuk transmisi data dalam jaringan heterogen, ketika bandwidth jalur tertentu mencapai nilai tertentu, bandwidth jaringan akan terus meningkat, dan kinerja transmisi akan relatif stabil. Untuk meningkatkan throughput, alokasi bandwidth yang berlebihan akan mengurangi pemanfaatan spektrum, sehingga mengakibatkan pemborosan sumber daya spektrum. Dalam situasi saat ini dengan sumber daya spektrum yang semakin ketat, penjadwalan dan manajemen bandwidth dalam transmisi paralel multi-jalur dapat memastikan kinerja transmisi transmisi paralel multi-jalur dan memanfaatkan sumber daya secara efektif. Oleh karena itu, pemrosesan dilakukan, dengan langkah-langkah implementasi utama sebagai berikut: Pertama, estimasi bandwidth efektif dilakukan menggunakan metode pembelajaran mesin, dan estimasi sumber daya bandwidth nirkabel yang dapat dimanfaatkan sepenuhnya oleh setiap sub-aliran dan pencapaian persyaratan throughput tinggi dengan sumber daya bandwidth yang lebih sedikit merupakan kunci algoritma penjadwalan bandwidth. Oleh karena itu, algoritma kontrol kemacetan gabungan digunakan untuk mengontrol setiap sub-aliran secara bersamaan, dengan ekspresinya sebagai berikut: (3) Dalam rumus (3), MSS mewakili konstanta ukuran segmen maksimum, sebagaimana ditetapkan oleh protokol, sedangkan RTTi dan PLRi masing-masing mewakili penundaan perjalanan pulang pergi dan tingkat kehilangan paket dari jalur sub-aliran. Kedua, proses penyaringan parameter, mengingat keragaman dan karakteristik yang berubah-ubah seiring waktu dari saluran nirkabel, di mana parameter tautan dan bandwidth efektif jalur akan mengalami perubahan dinamis, juga dengan kesalahan. Untuk menghilangkan kesalahan, penyaringan filter Kalman diterapkan pada parameter jaringan untuk mendapatkan nilai estimasi yang akurat. Penyaringan Kalman adalah algoritma estimasi rekursif waktu diskrit yang menghitung keadaan waktu saat ini yang lebih akurat sebagai keluaran dengan rekursi diferensial pada waktu saat ini, berdasarkan nilai pengukuran keadaan saat ini, keadaan terakhir, dan kesalahan prediksi. Dalam studi sistem kontrol diskrit, persamaan diferensial stokastik linier digunakan sebagai berikut: (4) Dalam rumus (4), xk, xk-1 masing-masing mewakili parameter keadaan pada waktu k dan waktu k-1, Ak, Bk masing-masing mewakili parameter sistem, yang, dalam sistem multi-model, adalah matriks yang mewakili matriks transisi keadaan dan matriks masukan masing-masing, uk menunjukkan parameter masukan untuk kontrol, dan wk menunjukkan noise selama perhitungan. Ketiga, penjadwalan bandwidth, dengan asumsi bahwa koneksi multi-jalur C berisi n sub-aliran, di mana setiap sub-aliran bersifat independen, menempati jalur untuk transmisi data, proses penjadwalannya diilustrasikan pada Gambar 3. Berdasarkan proses penjadwalan bandwidth di atas, protokol keamanan saluran akhirnya ditetapkan untuk memastikan transmisi data heterogen yang aman. Protokol keamanan terdiri dari protokol SSL, protokol penetapan aturan, dan protokol informasi terowongan. Di antaranya, protokol SSL terutama mencakup algoritma otentikasi dan algoritma enkripsi, dengan semua paket data di sisi server dienkripsi melalui protokol SSL untuk memastikan keamanan komunikasi pesan, sedangkan protokol penetapan aturan melibatkan informasi koneksi dan identifikasi pesan, dan keberhasilan pencocokan dalam tabel catatan menghasilkan soket untuk meneruskan informasi data dan memastikan penerusan dan penerapan data pada saluran teknologi VPN. Pemrograman OpenVPN adalah metode utama untuk mengimplementasikan protokol pesan terowongan. Klien mengirimkan pesan perintah permintaan untuk membangun koneksi dengan server. Setelah koneksi, server menulis informasi data yang dienkripsi dan divalidasi ke area data informasi terowongan berdasarkan protokol SSL, sehingga terjadi pertukaran dan transmisi data dengan klien. Struktur protokol keamanan saluran ditunjukkan pada Gambar 4. Selama proses transmisi data, data ditransmisikan sesuai dengan protokol keamanan saluran di atas untuk menyelesaikan transmisi data yang aman dalam jaringan heterogen berdasarkan pembelajaran mesin.

5 Perbandingan Eksperimental

Untuk memverifikasi efektivitas teknologi transmisi keamanan data yang dirancang untuk jaringan heterogen berdasarkan Pembelajaran Mesin, analisis eksperimental dilakukan. Perbandingan dilakukan antara mekanisme transmisi data aman dalam jaringan heterogen seperti yang dijelaskan dalam literatur [1] dan model keamanan data berdasarkan jaringan heterogen dalam literatur [2], dengan fokus pada efektivitas ketiga sistem tersebut. Kumpulan data eksperimental yang digunakan dalam percobaan ini ditunjukkan pada Tabel 1. Dapat diamati dari data eksperimental yang dikumpulkan bahwa pemilihan data eksperimental semakin meningkat, sehingga lebih baik memverifikasi efektivitas ketiga metode tersebut, dengan fokus utama pada perbandingan penundaan transmisi, situasi gangguan transmisi data, dan tingkat kehilangan paket. Isi spesifiknya adalah sebagai berikut.

5.1 Perbandingan Penundaan Transmisi

Perbandingan penundaan transmisi dari ketiga metode tersebut telah dilakukan, dengan hasil yang ditunjukkan pada Gambar 5. Analisis Gambar 5 menunjukkan bahwa penundaan transmisi dari ketiga metode tersebut relatif kecil pada transmisi dataset publik Google. Namun, seiring bertambahnya volume data, penundaan transmisi untuk ketiga metode tersebut meningkat. Perbandingan ini menunjukkan bahwa teknologi transmisi keamanan data untuk jaringan heterogen berbasis Pembelajaran Mesin memiliki penundaan transmisi terkecil, lebih kecil daripada dua metode tradisional.

5.2 Perbandingan Gangguan Transmisi Data

Perbandingan situasi gangguan transmisi data setelah menerapkan tiga teknologi transmisi dilakukan, dengan hasil yang ditunjukkan pada Gambar 6. Analisis Gambar 6 mengungkapkan bahwa teknologi transmisi data yang digunakan dalam penelitian ini menghasilkan jumlah gangguan transmisi data paling sedikit, dan dalam beberapa percobaan, kinerjanya lebih baik daripada dua teknologi transmisi tradisional.

5.3 Perbandingan Tingkat Kehilangan Paket

Perbandingan tingkat kehilangan paket menggunakan teknologi transmisi keamanan data untuk jaringan heterogen berbasis Pembelajaran Mesin dan dua teknologi transmisi tradisional telah dilakukan, dengan hasil yang ditunjukkan pada Gambar 7. Analisis Gambar 7 mengungkapkan bahwa mekanisme transmisi data aman pada jaringan heterogen tradisional memiliki tingkat kehilangan paket tertinggi, lebih tinggi daripada model keamanan data berbasis jaringan heterogen dan teknologi transmisi yang digunakan dalam penelitian ini. Singkatnya, teknologi transmisi keamanan data untuk jaringan heterogen berbasis Pembelajaran Mesin memiliki penundaan transmisi yang lebih rendah dan tingkat kehilangan paket yang lebih rendah dibandingkan dengan dua teknologi transmisi tradisional. Hal ini dapat dikaitkan dengan pra-pemrosesan data dari jaringan heterogen dan perumusan skema penjadwalan bandwidth, bersama dengan pembentukan protokol transmisi aman untuk meningkatkan efektivitas keamanan transmisi data untuk jaringan heterogen.

6 Kesimpulan

Makalah ini telah merancang teknologi transmisi keamanan data untuk jaringan heterogen berdasarkan Pembelajaran Mesin dan memverifikasi efektivitas teknologi ini melalui eksperimen. Teknologi ini meningkatkan efisiensi transmisi data dan mengurangi tingkat kehilangan paket, menunjukkan signifikansi aplikasi praktis yang kuat. Namun, karena keterbatasan waktu penelitian, masih terdapat beberapa kekurangan dalam teknologi transmisi keamanan data untuk jaringan heterogen, sehingga memerlukan optimasi lebih lanjut dalam penelitian selanjutnya.

Seiring perkembangan teknologi informasi, sistem aplikasi, perangkat, data, dan sumber daya komputer lainnya mengalami pertumbuhan yang sangat pesat, sehingga pemantauan dan pengelolaan sumber daya komputer yang aman menjadi semakin penting. Desain sistem pemantauan dan pengelolaan keamanan sumber daya komputer memastikan pemantauan dan pengelolaan sumber daya komputer secara real-time sekaligus secara teknis menjamin keamanan sumber daya komputer. Teknologi utama yang diadopsi untuk desain sistem telah diuraikan, persyaratan desain sistem dianalisis, dan rencana desain sistem pemantauan dan pengelolaan keamanan sumber daya komputer diusulkan dari perspektif pemanfaatan sumber daya komputer yang wajar dan aman. Penelitian dilakukan pada desain arsitektur sistem dan desain fungsi modul, di antara aspek-aspek lainnya.

Teknologi Servlet, sebagai teknologi Java utama yang diadopsi dalam desain sistem, memungkinkan eksekusi di sisi server, dengan mengkompilasi program sisi server menggunakan Java. Servlet bersifat independen dari platform sistem, beroperasi di dalam server Web, dan berfungsi sebagai teknologi untuk pembuatan halaman dinamis. Fungsi utamanya adalah memperluas fungsi di sisi server Web dan membangun komunikasi dengan klien untuk menghasilkan halaman dinamis sebelum menanggapi permintaan server dengan data balasan. Teknologi Servlet dapat mengeksekusi respons dan layanan permintaan di Web, di mana klien mengirimkan perintah permintaan halaman HTTP ke sisi server. Setelah menerima perintah, server mengirimkan informasi permintaan pengguna ke Servlet dan membuat thread eksekusi baru. Servlet memproses permintaan, menghasilkan respons, dan akhirnya mengembalikannya ke server. Server kemudian mengembalikan respons tersebut ke klien.

Basis data ASE, sebagai sistem manajemen basis data untuk aplikasi perusahaan, mendukung Structured Query Language (SQL), menyediakan fungsi untuk mewujudkan penyimpanan dan pemrosesan data. Basis data ASE menyimpan data dengan mengeksekusi pernyataan SQL di server, mengkompilasi data sebelum menyimpannya di server basis data, memungkinkan pengguna untuk memodifikasi dan melakukan kueri data. Selama pemanggilan data, pengguna dapat memanggil data dengan memasukkan parameter dari proses yang bersangkutan. Basis data ASE dapat memberikan efisiensi operasional yang tinggi dan mengurangi volume komunikasi di jaringan, menawarkan kemudahan yang besar bagi pengguna dalam mengakses data di dalam basis data.