Dewa Ashen - MTL - Chapter 828

Bab 828 Pembaruan Akan Datang Nanti

Saya belum menyelesaikan pengkodean hari ini, jadi pembaruan akan ditunda hingga nanti, mungkin sekitar pukul satu atau dua pagi. Terutama karena bab ini cukup menantang—saya sudah menulis selama dua atau tiga jam, tetapi masih ada bagian yang kurang. Setelah pembaruan tersedia, cukup muat ulang bab ini.

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

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

1 Pendahuluan

Saat ini, dengan kemajuan pesat dalam teknologi komunikasi, berbagai jaringan menunjukkan karakteristik yang berbeda. Bertahun-tahun reformasi dan inovasi telah membawa kecepatan transmisi teknologi akses nirkabel mendekati batasnya. Dengan latar belakang ini, untuk memenuhi beragam kebutuhan bisnis, integrasi multi-jaringan diperlukan. Namun, mekanisme integrasi tradisional tidak dapat secara simultan dan efisien memanfaatkan sumber daya transmisi jaringan, gagal memastikan transmisi bisnis berkecepatan tinggi yang efisien, dan meningkatkan konsumsi energi selama transmisi, yang menyebabkan masalah interferensi. Akibatnya, banyak sarjana telah meneliti metode transmisi data multi-jaringan. Dalam literatur [1], Shi Lingling dan Li Jingzhao mempelajari mekanisme transmisi data yang aman dalam jaringan heterogen, terutama mengadopsi mekanisme transmisi data yang aman berdasarkan algoritma enkripsi otentikasi AES-GCM yang dioptimalkan dan algoritma tanda tangan digital berbasis SHA. Dalam literatur [2], Zhou Jing dan Chen Chen meneliti model keamanan data berdasarkan jaringan heterogen, yang melakukan pra-enkode data dan membangun saluran transmisi yang aman untuk transmisi data. Metode-metode di atas mencapai efektivitas tertentu tetapi masih memiliki kekurangan. Untuk mengatasi kekurangan ini, makalah ini menerapkan metode pembelajaran mesin pada transmisi data jaringan multi-heterogen yang aman untuk menyelesaikan masalah yang ada. Hasil eksperimen menunjukkan bahwa teknologi transmisi data aman jaringan multi-heterogen dalam penelitian ini secara efektif memecahkan masalah yang ada dan memiliki signifikansi praktis.

2 Praproses Data Jaringan Multi-Heterogen

Dalam transmisi data jaringan multi-heterogen yang aman, banyak data yang tidak berguna, sehingga pemilihan sumber data yang relevan dari data multi-jaringan untuk transmisi diperlukan untuk meningkatkan akurasi dan efisiensi transmisi. Selama pemilihan sumber data yang efektif, pentingnya hubungan antar atribut data diukur [3-4], menangkap data yang berkorelasi tinggi. Ekspresi perhitungannya adalah sebagai berikut: (1) Dalam rumus (1), T mewakili tabel komprehensif dari semua sumber data; (i, j) menunjukkan korelasi antara kelas sumber contoh. Berdasarkan penentuan pentingnya sumber data, himpunan tabel data yang berkorelasi tertinggi dipilih, mengurangi tabel yang tidak terkait. Setelah memilih sumber data penting, atribut data dianalisis. Suatu sumber data terdiri dari sekumpulan atribut data, dan karakteristik atribut ini mencerminkan informasi dasar data yang akan ditransmisikan. Terutama melalui pengukuran korelasi tuple data, menganalisis frekuensi kemunculan tuple, yaitu, mendefinisikan melalui kepadatan data tuple, peta kepadatan data tuple ditunjukkan pada Gambar 1. Pada Gambar 1, ε mewakili radius yang ditentukan dari lingkungan. Mengikuti proses berpikir ini, bobot diberikan kepada setiap data tuple dalam dataset di atas [5-7], dinyatakan sebagai: (2) Dalam rumus (2), w(C) menunjukkan bobot atribut, w(tk) menunjukkan nomor tuple inti, δ menunjukkan anomali, w(tb) menunjukkan nomor tuple tepi.

3. Arsitektur Transmisi Paralel Multipath

Setelah menyelesaikan pra-pemrosesan, arsitektur transmisi paralel multipath dibentuk, dengan isi utama sebagai berikut: data di pra-segmentasi; segmentasi aliran komunikasi adalah metode pengirim untuk membagi blok data besar menjadi unit data dengan ukuran berbeda atau sama [8], dengan ukuran ditentukan oleh granularitas segmentasi aliran komunikasi, yang terutama terbagi menjadi kategori berikut: Pertama, dalam segmentasi layanan tingkat paket, paket adalah unit pembangun aliran data terkecil, sehingga granularitas metode segmentasi adalah yang terkecil, dengan probabilitas paket independen, yang dapat dikirim ke pengirim; Kedua, dalam segmentasi lalu lintas tingkat aliran [9], alamat tujuan spesifik dienkapsulasi dalam header paket, kemudian paket dengan alamat tujuan yang sama dikumpulkan menjadi aliran data, masing-masing independen, dibedakan oleh pengidentifikasi aliran yang unik. Teknologi segmentasi tingkat aliran secara efektif mengurangi dampak distorsi data pada transmisi multipath [10]. Ketiga, dalam segmentasi lalu lintas tingkat sub-aliran, aliran data yang menuju ke tujuan yang sama dibagi menjadi beberapa sub-aliran, semuanya berbagi alamat tujuan yang sama, sampai batas tertentu menyelesaikan masalah ketidakseimbangan beban dalam algoritma segmentasi aliran. Arsitektur transmisi paralel multipath ditunjukkan pada Gambar 2. Selain itu, dalam arsitektur agregasi bandwidth, algoritma penjadwalan menentukan bagaimana metode transmisi bisnis dan sub-aliran bisnis dijadwalkan [11], memastikan kedatangan yang teratur di ujung penerima sebagai inti. Selanjutnya, penjadwalan data akan dibahas.

4. Perumusan Skema Penjadwalan Bandwidth

Untuk transmisi data dalam jaringan multi-heterogen, ketika bandwidth suatu jalur mencapai nilai tertentu, bandwidth jaringan terus meningkat, menstabilkan kinerja transmisi. Mengalokasikan bandwidth yang berlebihan dapat mengurangi pemanfaatan spektrum, yang menyebabkan pemborosan sumber daya spektrum. Dengan semakin terbatasnya sumber daya spektrum, penjadwalan dan pengelolaan setiap bandwidth dalam transmisi paralel multipath dapat memastikan kinerja transmisi dan penggunaan sumber daya secara efektif. Langkah-langkah utama berikut diimplementasikan: Pertama, menggunakan metode pembelajaran mesin untuk estimasi bandwidth efektif, memperkirakan secara wajar sumber daya bandwidth nirkabel yang dapat dimanfaatkan secara maksimal oleh setiap sub-aliran dan memenuhi persyaratan throughput tinggi dengan sumber daya minimal adalah kunci untuk penjadwalan bandwidth. Algoritma kontrol kemacetan gabungan digunakan untuk mengontrol setiap sub-aliran secara bersamaan, yang dinyatakan sebagai: (3) Dalam rumus (3), MSS mewakili konstanta panjang pesan maksimum yang ditetapkan oleh protokol; RTTi, PLRi masing-masing mewakili penundaan perjalanan pulang pergi jalur sub-aliran dan tingkat kehilangan paket. Kedua, pemrosesan penyaringan parameter; karena keragaman saluran nirkabel dan karakteristik yang berubah-ubah seiring waktu, parameter tautan dan bandwidth efektif jalur berubah secara dinamis, dengan adanya kesalahan. Untuk menghilangkan kesalahan, parameter jaringan difilter menggunakan filter Kalman untuk mendapatkan estimasi yang akurat. Filter Kalman adalah algoritma estimasi rekursif waktu diskrit, menggunakan pengaturan rekursif diferensial waktu saat ini sesuai dengan pengukuran status saat ini, status waktu terakhir, dan kesalahan prediksi untuk menghitung keluaran status saat ini yang lebih akurat. Ketika mempelajari sistem kontrol diskrit, persamaan diferensial stokastik linier digunakan sebagai berikut: (4) Dalam rumus (4), xk, xk-1 mewakili parameter keadaan pada waktu k dan k-1; Ak, Bk adalah parameter sistem, yang direpresentasikan sebagai matriks dalam sistem multi-model, yang masing-masing menunjukkan matriks transisi keadaan dan input; uk mewakili parameter input terkontrol, wk menunjukkan noise komputasi. Ketiga, penjadwalan bandwidth, dengan asumsi koneksi multipath C berisi n sub-aliran, masing-masing independen, menempati jalur terpisah untuk transmisi data; proses penjadwalan ditunjukkan pada Gambar 3. Berdasarkan proses penjadwalan bandwidth ini, protokol keamanan saluran akhirnya ditetapkan untuk memastikan transmisi data multi-heterogen yang aman. Protokol keamanan mencakup protokol SSL, protokol pembentukan aturan, protokol informasi terowongan, dll. Protokol SSL terutama mencakup algoritma otentikasi dan enkripsi, dan semua paket data sisi server dienkripsi melalui SSL untuk memastikan keamanan komunikasi, sementara protokol pembentukan aturan melibatkan informasi koneksi dan identifikasi pesan, dengan pencocokan tabel catatan yang berhasil menghasilkan soket; penerusan memastikan penerusan dan penggunaan informasi 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 terhubung, server menulis informasi data yang dienkripsi dan diverifikasi ke area data informasi terowongan sesuai dengan protokol SSL, menyelesaikan pertukaran dan transmisi data dengan klien. Struktur protokol keamanan saluran ditunjukkan pada Gambar 4. Selama transmisi data, protokol keamanan saluran diikuti untuk menyelesaikan transmisi data jaringan multi-heterogen berbasis pembelajaran mesin yang aman.

5 Perbandingan Eksperimental

Untuk memverifikasi efektivitas teknologi transmisi data aman jaringan multi-heterogen berbasis pembelajaran mesin yang dirancang, analisis eksperimental dilakukan; dibandingkan dengan mekanisme transmisi data aman dalam jaringan heterogen dari literatur [1] dan model keamanan data berdasarkan jaringan heterogen dari literatur [2], efektivitas ketiga sistem tersebut dibandingkan. Dataset eksperimental yang digunakan dalam percobaan ini ditunjukkan pada Tabel 1. Data yang dikumpulkan menggambarkan peningkatan jumlah data yang dipilih untuk percobaan ini guna memvalidasi efektivitas ketiga metode dengan lebih baik, terutama membandingkan penundaan transmisi, kasus gangguan transmisi data, dan tingkat kehilangan paket tautan di antara ketiga metode tersebut; detail spesifiknya adalah sebagai berikut.

5.1 Perbandingan Penundaan Transmisi

Dengan membandingkan penundaan transmisi dari ketiga metode tersebut, hasil perbandingan ditunjukkan pada Gambar 5. Analisis Gambar 5 mengungkapkan bahwa dalam transmisi dataset publik Google, penundaan transmisi dari ketiga metode tersebut relatif kecil. Seiring bertambahnya jumlah data yang ditransmisikan, penundaan transmisi data dari ketiga metode tersebut juga meningkat. Namun, setelah dibandingkan, dapat ditemukan bahwa teknologi transmisi keamanan data berbasis pembelajaran mesin dalam jaringan heterogen yang dipelajari dalam penelitian ini menunjukkan penundaan transmisi terkecil, lebih kecil daripada dua metode tradisional.

5.2 Perbandingan Gangguan Transmisi Data

Gangguan transmisi data setelah menerapkan tiga teknologi transmisi dibandingkan, dan hasil perbandingannya ditunjukkan pada Gambar 6. Gambar 6 menunjukkan bahwa teknologi transmisi yang diteliti dalam penelitian ini menghasilkan gangguan transmisi data paling sedikit, secara konsisten lebih sedikit daripada dua teknologi transmisi tradisional dalam beberapa percobaan.

5.3 Perbandingan Tingkat Kehilangan Paket Tautan

Teknologi transmisi keamanan data jaringan heterogen berbasis pembelajaran mesin dan dua teknologi transmisi tradisional masing-masing digunakan untuk transmisi data. Hasil perbandingan tingkat kehilangan paket dari ketiga metode ini ditunjukkan pada Gambar 7. Analisis Gambar 7 mengungkapkan tingkat kehilangan paket tautan tertinggi dari mekanisme transmisi data aman pada jaringan heterogen tradisional, lebih tinggi daripada model keamanan data berbasis jaringan heterogen dan teknologi transmisi yang dipelajari dalam penelitian ini. Singkatnya, teknologi transmisi keamanan data jaringan heterogen berbasis pembelajaran mesin dalam penelitian ini memiliki penundaan transmisi yang lebih rendah dan tingkat kehilangan paket yang lebih rendah dibandingkan dengan dua teknologi transmisi tradisional. Hal ini karena teknologi transmisi tersebut melakukan pra-pemrosesan data jaringan heterogen dan merumuskan rencana penjadwalan bandwidth, membangun protokol transmisi yang aman, sehingga meningkatkan efek transmisi keamanan data pada jaringan heterogen.

6 Kesimpulan

Artikel ini merancang teknologi transmisi keamanan data jaringan heterogen berbasis pembelajaran mesin, dan efektivitas teknologi penelitian ini diverifikasi melalui eksperimen. Teknologi ini dapat meningkatkan efisiensi transmisi data dan mengurangi tingkat kehilangan paket transmisi data, sehingga memiliki nilai aplikasi praktis yang signifikan. Namun, karena keterbatasan waktu penelitian, teknologi transmisi keamanan data jaringan heterogen dalam penelitian ini masih memiliki beberapa kekurangan, yang perlu dioptimalkan lebih lanjut dalam penelitian selanjutnya.

Abstrak: Teknologi virtualisasi memastikan stabilitas dan kelancaran penggunaan informasi, teknologi penyimpanan awan memastikan rasionalitas distribusi data, dan teknologi keamanan informasi menjamin keamanan penggunaan dan penelusuran big data.

Kata kunci: Sistem komputer, Big data, Penyimpanan cloud, Virtualisasi.

0 Pendahuluan

Teknologi perangkat lunak komputer dapat memproses sejumlah besar data dalam waktu yang relatif singkat menggunakan logika tertentu untuk pengeditan dan analisis, mengusulkan informasi data yang relevan yang dibutuhkan pengguna, melakukan pemrosesan ulang, dan menentukan konten data yang relevan yang sesuai dengan persyaratan pengguna untuk analisis data.

1 Teknologi Virtualisasi

Teknologi virtualisasi adalah teknologi perangkat lunak komputer inovatif yang dapat menciptakan mesin virtual baru bagi pengguna dalam jangka waktu yang relatif singkat. Teknologi virtualisasi benar-benar mencapai pemanfaatan sumber daya informasi secara rasional, konfigurasi dan mobilisasi sumber daya perangkat lunak yang efektif, alokasi dan pemanfaatan sumber daya perangkat lunak komputer yang wajar, dan memastikan bahwa selama pengoperasian, perangkat lunak komputer tidak mengalami masalah pembekuan atau perlambatan akibat distribusi sumber daya perangkat lunak yang tidak merata. Fleksibilitas adalah fitur penting dari teknologi virtualisasi, memungkinkan komputasi dan perhitungan pada elemen komputasi yang divirtualisasi, mencapai berbagi dan kolaborasi lintas domain komputer, pemrosesan, dan pengalihan sumber daya sesuai kebutuhan pengguna untuk membentuk rantai sumber daya baru. Teknologi virtualisasi terutama mencakup kategori berikut: virtualisasi server, teknologi kontainer Docker, dengan penekanan pada teknologi kontainer Docker. Virtualisasi server didasarkan pada virtualisasi komputer multidimensi, memvirtualisasikan satu komputer fisik menjadi beberapa komputer logis virtual, membangun lapisan virtualisasi untuk menghubungkan perangkat keras komputer dan sistem logis, mencapai fungsi spesifik melalui pemisahan dan asosiasi. Yang disebut lapisan virtualisasi memungkinkan beberapa sistem operasi virtual untuk berjalan pada satu komputer fisik, yang dapat diubah-ubah, dan komputer virtual ini dapat berbagi satu atau beberapa sumber daya perangkat lunak dan perangkat keras yang unik, seperti memori, motherboard, kartu grafis pada komputer konvensional. Dengan dukungan sistem operasi yang sesuai, pengguna dapat dengan bebas mengunduh program dan perangkat lunak untuk digunakan sendiri (Gambar 1).