Dewa Ashen - MTL - Chapter 832

Bab 832 – Pembaruan yang Tertunda

Alasannya memang agak melelahkan dalam hal pengkodean, jadi bab ini belum selesai. Saya benar-benar menyesal menggunakan surat cuti di awal bulan, jadi pembaruannya mungkin akan sedikit terlambat, mungkin sekitar pukul satu pagi. Saat itu, cukup segarkan bab ini.

Terkadang saya juga berpikir, ketika coding seperti ini benar-benar melelahkan, haruskah saya cuti saja, tetapi saya benar-benar tidak bisa melakukannya, yang menyebabkan situasi saya saat ini. Setiap kali saya merenungkan hidup, mengapa terus menulis? Bukankah lebih baik menjadi seorang Programmer sejati?

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

Kata kunci: Pembelajaran Mesin; Jaringan heterogen multi-sumber; Transmisi data aman; Praproses data jaringan; Arsitektur transmisi paralel

1 Pendahuluan

Saat ini, teknologi komunikasi berkembang pesat, dengan karakteristik jaringan yang beragam. Setelah bertahun-tahun reformasi dan inovasi, laju transmisi teknologi akses nirkabel secara bertahap mendekati batasnya. Dalam konteks ini, untuk memenuhi berbagai tuntutan bisnis, penulisan multi-jaringan diperlukan. Namun, mekanisme penulisan tradisional, dalam hal penggunaan sumber daya transmisi jaringan, tidak dapat digunakan secara simultan dan efisien, tidak dapat secara efektif memastikan bisnis transmisi yang efisien, dan akan meningkatkan masalah konsumsi energi selama transmisi, yang menyebabkan masalah interferensi selama transmisi. Oleh karena itu, banyak sarjana telah melakukan penelitian tentang metode transmisi data multi-jaringan. Dalam literatur [1], Shi Lingling dan Li Jingzhao meneliti mekanisme transmisi data yang aman dalam jaringan heterogen, terutama mengadopsi algoritma enkripsi bersertifikat AES-GCM yang dioptimalkan dikombinasikan dengan metode tanda tangan digital berbasis SHA untuk transmisi data; dalam literatur [2], Zhou Jing dan Chen Chen meneliti model keamanan data berdasarkan jaringan heterogen, dengan pemrosesan pra-enkripsi data dan membangun saluran transmisi yang aman untuk transmisi data. Kedua metode tersebut dapat mencapai efek tertentu tetapi juga memiliki kekurangan tertentu. Untuk mengatasi kekurangan-kekurangan di atas, makalah ini menerapkan metode Pembelajaran Mesin untuk mengamankan transmisi data dalam jaringan heterogen multi-sumber guna menyelesaikan masalah yang ada. Hasil eksperimen menunjukkan bahwa teknologi transmisi data yang aman secara efektif menyelesaikan masalah yang ada, dengan signifikansi aplikasi praktis.

2. Praproses Data Jaringan Heterogen Multi-sumber

Dalam transmisi data yang aman melalui jaringan heterogen multi-sumber, banyak data yang tidak berguna, sehingga diperlukan pemilihan sumber data yang relevan untuk transmisi guna meningkatkan akurasi dan efisiensi. Selama pemilihan sumber data yang efektif, pentingnya hubungan antar Atribut diukur [3-4], untuk menangkap data yang berkorelasi tinggi. Ekspresi perhitungannya adalah sebagai berikut: (1), T mewakili jumlah tabel komprehensif dari semua sumber data, (i,j) mewakili korelasi antara kelas sumber contoh. Berdasarkan penilaian pentingnya sumber data, kumpulan tabel data dengan tingkat korelasi tertinggi dapat dipilih, sehingga mengurangi tabel yang tidak terkait. Setelah menyelesaikan pemilihan sumber data yang diutamakan, analisis Atribut, karena suatu sumber data terdiri dari sekumpulan Atribut, yang fiturnya mencerminkan informasi dasar data yang akan ditransmisikan. Terutama diukur dengan korelasi tupel data, menganalisis frekuensi kemunculan data tupel, yang didefinisikan oleh kepadatan data tupel, seperti yang ditunjukkan pada Gambar 1. Pada Gambar 1, ε mewakili radius lingkungan yang ditentukan. Mengikuti ide ini, bobot diberikan kepada setiap data tuple dalam dataset di atas [5-7], dengan ekspresi sebagai berikut: (2), w(C) menunjukkan bobot Atribut, w(tk) menunjukkan jumlah tuple inti, δ menunjukkan outlier, w(tb) menunjukkan jumlah tuple tepi.

3. Arsitektur Transmisi Paralel Multipath

Setelah menyelesaikan pra-pemrosesan di atas, bangun arsitektur transmisi paralel multipath, terutama sebagai berikut: pra-pembagian lalu lintas, pembagian lalu lintas digunakan di sisi pengirim untuk membagi blok data besar menjadi unit data dengan ukuran berbeda atau sama [8], dengan ukuran ditentukan oleh ukuran butir pembagian aliran komunikasi. Ini terutama termasuk dalam kategori berikut: Pertama, dalam segmentasi bisnis tingkat paket, paket adalah unit konstituen terkecil dari aliran data, sehingga granularitas metode segmentasi minimal, dan probabilitas paket saling independen dan dapat dikirim ke sisi pengirim; Kedua, pembagian lalu lintas tingkat aliran [9], mengenkapsulasi alamat tujuan spesifik dalam header, kemudian menggabungkan paket yang berbagi alamat tujuan yang sama ke dalam aliran data, aliran data yang berbeda ini independen dan dibedakan oleh pengidentifikasi aliran yang unik. Teknik pembagian tingkat aliran secara efektif menyelesaikan dampak distorsi data pada transmisi multipath [10]. Ketiga, pembagian lalu lintas tingkat sub-aliran, aliran data header tujuan yang sama dibagi menjadi beberapa sub-aliran, semua paket sub-aliran memiliki alamat tujuan yang sama, agak menyelesaikan ketidakseimbangan beban dalam algoritma pembagian aliran. Arsitektur transmisi paralel multipath ditunjukkan pada Gambar 2. Selain itu, dalam arsitektur agregasi bandwidth, algoritma penjadwalan menentukan pola transmisi bisnis dan urutan penjadwalan sub-aliran bisnis [11], memastikan kedatangan sub-aliran bisnis secara teratur di ujung penerima, selanjutnya membahas penjadwalan data.

4. Formulasi Penjadwalan Bandwidth

Untuk transmisi data melalui jaringan heterogen multi-sumber, ketika bandwidth suatu jalur mencapai nilai tertentu, bandwidth jaringan akan terus meningkat, dan kinerja transmisi menjadi relatif stabil. Alokasi bandwidth yang berlebihan akan mengurangi tingkat pemanfaatan spektrum, yang menyebabkan pemborosan sumber daya spektrum. Di bawah sumber daya spektrum yang semakin ketat, penjadwalan dan pengelolaan bandwidth di berbagai jalur dalam transmisi paralel multipath tidak hanya memastikan kinerja transmisi tetapi juga memanfaatkan sumber daya secara efisien. Proses utamanya adalah sebagai berikut: Pertama, mengadopsi metode Pembelajaran Mesin untuk estimasi bandwidth yang efektif, memperkirakan secara wajar sumber daya bandwidth nirkabel yang dapat dimanfaatkan sepenuhnya oleh setiap sub-aliran, memenuhi persyaratan throughput tinggi dengan sumber daya bandwidth yang lebih sedikit, yang merupakan kunci algoritma penjadwalan bandwidth. Oleh karena itu, algoritma kontrol kemacetan kopling digunakan untuk kontrol gabungan sub-aliran, dengan ekspresinya sebagai berikut: (3), MSS mewakili konstanta panjang maksimum pesan, yang ditetapkan oleh protokol, RTTi, PLRi masing-masing mewakili penundaan balik dan tingkat kehilangan paket dari jalur sub-aliran. Kedua, pemrosesan penyaringan parameter, karena keragaman saluran nirkabel dan karakteristik yang berubah-ubah seiring waktu, parameter tautan dan bandwidth efektif jalur mengalami perubahan dinamis dan memiliki kesalahan. Untuk menghilangkan kesalahan, filter Kalman diterapkan pada parameter jaringan untuk estimasi yang tepat. Filter Kalman adalah algoritma estimasi rekursif waktu diskrit, menghitung Status saat ini yang lebih akurat menggunakan rekursi diferensial, pengukuran Status saat ini, Status saat terakhir, dan kesalahan perkiraan. Dalam penelitian sistem kontrol diskrit, persamaan diferensial stokastik linier diadopsi sebagai berikut: (4), xk, xk-1 masing-masing mewakili parameter Status pada saat k dan k-1, Ak, Bk masing-masing mewakili parameter sistem, bentuk matriks dalam sistem multi-model, mewakili matriks transisi Status dan matriks input, uk mewakili parameter input kontrol, wk mewakili noise selama komputasi. Ketiga, penjadwalan bandwidth, dengan asumsi koneksi multipath C berisi n sub-aliran, setiap sub-aliran bersifat independen, masing-masing menempati satu jalur untuk transmisi data, proses penjadwalan ditunjukkan pada Gambar 3. Berdasarkan proses penjadwalan bandwidth di atas, akhirnya menetapkan protokol keamanan saluran, memastikan transmisi data yang aman melalui jaringan heterogen multi-sumber. Protokol keamanan terdiri dari protokol SSL, protokol penetapan aturan, protokol informasi terowongan, dll. Di antaranya, protokol SSL terutama mencakup algoritma sertifikasi dan algoritma enkripsi, dengan semua pesan sisi server dienkripsi melalui protokol SSL untuk memastikan keamanan komunikasi pesan, protokol penetapan aturan mencakup informasi koneksi dan identifikasi pesan, tabel catatan berhasil dicocokkan, menghasilkan soket, dan relai memastikan relai informasi pada aplikasi saluran teknologi VPN. Pemrograman OpenVPN adalah metode utama untuk mewujudkan protokol informasi terowongan. Klien mengirimkan pesan perintah permintaan untuk membangun koneksi dengan server. Setelah terhubung, server menulis informasi terenkripsi dan terautentikasi ke area informasi terowongan sesuai dengan protokol SSL, mencapai pertukaran dan transmisi data dengan klien. Struktur protokol keamanan saluran ditunjukkan pada Gambar 4. Selama transmisi data, transmisi dilakukan sesuai dengan protokol keamanan saluran di atas untuk menyelesaikan transmisi data aman berbasis pembelajaran mesin melalui jaringan heterogen multi-sumber.

5 Perbandingan Eksperimental

Untuk memverifikasi efektivitas teknologi transmisi data aman berbasis pembelajaran mesin yang dirancang untuk jaringan heterogen multi-sumber, analisis eksperimental dilakukan, membandingkan mekanisme transmisi data aman jaringan heterogen dalam literatur [1], model keamanan data berbasis jaringan heterogen dalam literatur [2], dan efektivitas tiga sistem. Kumpulan data eksperimental seperti yang ditunjukkan pada Tabel 1. Berdasarkan data eksperimental yang dikumpulkan, terlihat bahwa data eksperimental yang dipilih semakin meningkat, yang lebih baik memverifikasi efektivitas tiga metode, terutama membandingkan penundaan transmisi, situasi gangguan transmisi data, dan tingkat kehilangan paket tautan, seperti yang dijelaskan di bawah ini.

5.1 Perbandingan Penundaan Transmisi

Kami membandingkan penundaan transmisi dari tiga metode, dan hasil perbandingannya ditunjukkan pada Gambar 5. Dengan menganalisis Gambar 5, ditemukan bahwa untuk transmisi pada dataset publik Google, penundaan transmisi dari ketiga metode tersebut relatif kecil. Namun, seiring bertambahnya jumlah data yang ditransmisikan, penundaan transmisi pada ketiga metode tersebut meningkat. Meskipun demikian, jika dibandingkan, jelas bahwa penundaan transmisi dari teknologi transmisi keamanan data jaringan heterogen multivariat berbasis pembelajaran mesin dalam penelitian ini adalah yang terkecil, lebih kecil daripada dua metode tradisional lainnya.

5.2 Perbandingan Gangguan Transfer Data

Kami membandingkan situasi gangguan transfer data setelah menerapkan tiga teknologi transmisi, dan hasil perbandingannya ditunjukkan pada Gambar 6. Gambar 6 mengungkapkan bahwa teknologi transmisi dalam penelitian ini mengalami gangguan transfer data paling sedikit, dengan kejadian yang lebih jarang daripada dua teknologi transmisi tradisional dalam beberapa percobaan.

5.3 Perbandingan Tingkat Kehilangan Paket

Teknologi transmisi keamanan data jaringan heterogen multivariat berbasis pembelajaran mesin dalam penelitian ini dan dua teknologi transmisi tradisional digunakan untuk transmisi data, dan hasil perbandingan tingkat kehilangan paket dari ketiga metode tersebut ditunjukkan pada Gambar 7. Dengan menganalisis Gambar 7, ditemukan bahwa tingkat kehilangan paket tautan pada mekanisme transmisi data aman jaringan heterogen tradisional adalah yang tertinggi, lebih besar daripada model keamanan data berbasis jaringan heterogen dan teknologi transmisi dalam penelitian ini. Singkatnya, teknologi transmisi keamanan data jaringan heterogen multivariat berbasis pembelajaran mesin dalam penelitian ini memiliki penundaan transmisi dan tingkat kehilangan paket yang lebih rendah dibandingkan dengan dua teknologi transmisi tradisional. Hal ini karena teknologi transmisi dalam penelitian ini memproses data jaringan heterogen multivariat terlebih dahulu, merumuskan skema penjadwalan bandwidth, dan menetapkan protokol transmisi yang aman, sehingga meningkatkan efek transmisi yang aman dalam jaringan heterogen multivariat.

6 Kesimpulan

Makalah ini merancang teknologi transmisi data jaringan heterogen multivariat berbasis pembelajaran mesin, dan eksperimen memvalidasi efektivitas teknologi penelitian ini. Teknologi ini dapat meningkatkan efisiensi transmisi data dan mengurangi tingkat kehilangan paket transmisi data, serta memiliki nilai aplikasi praktis yang signifikan. Namun, karena keterbatasan waktu penelitian, teknologi transmisi data jaringan heterogen multivariat dalam penelitian ini masih memiliki beberapa kekurangan. Oleh karena itu, optimasi lebih lanjut diperlukan dalam penelitian selanjutnya.

Abstrak: Artikel ini menjelaskan bahwa Teknologi Virtualisasi memastikan stabilitas dan kelancaran penggunaan informasi, Teknologi Penyimpanan Awan memastikan alokasi volume data yang rasional, dan Teknologi Keamanan Informasi memastikan 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 singkat, melakukan analisis dengan menggunakan logika tertentu, mengekstrak informasi data yang relevan yang dibutuhkan pengguna, melakukan pemrosesan ulang, dan menentukan konten data yang terkait dengan analisis data yang dibutuhkan pengguna.

1. Teknologi Virtualisasi

Teknologi Virtualisasi adalah teknologi inovatif dalam teknologi perangkat lunak komputer, yang mampu menciptakan mesin virtual baru bagi pengguna dalam waktu singkat. Teknologi Virtualisasi telah secara efektif mencapai pemanfaatan sumber daya informasi yang rasional, konfigurasi dan mobilisasi sumber daya perangkat lunak yang efisien, alokasi dan penggunaan sumber daya perangkat lunak komputer yang rasional, dan memastikan bahwa komputer tidak akan macet atau lambat karena alokasi sumber daya perangkat lunak yang tidak merata. Fleksibilitas adalah fitur utama Teknologi Virtualisasi; teknologi ini dapat melakukan operasi dan perhitungan pada komponen komputasi yang divirtualisasi, mewujudkan berbagi dan kerja sama lintas domain dari komputer, pemrosesan, dan pengalihan sumber daya yang dibutuhkan pengguna untuk membentuk rantai sumber daya baru. Teknologi Virtualisasi terutama mencakup kategori berikut: Virtualisasi Server dan Teknologi Kontainer Docker, dengan penekanan khusus pada Teknologi Kontainer Docker. Virtualisasi Server dibangun berdasarkan virtualisasi multidimensi komputer, mengubah satu komputer mainframe menjadi beberapa komputer virtual yang terkait secara logis, membangun hierarki virtualisasi untuk menghubungkan perangkat keras komputer dan sistem asosiatif logis, dan mencapai fungsi spesifik melalui koneksi yang terpisah. Yang disebut hierarki virtualisasi mengacu pada kemampuan untuk menjalankan beberapa sistem operasi virtual pada satu komputer fisik, yang dapat beralih di antara satu sama lain, dan komputer virtual pada tingkatan ini dapat berbagi satu atau beberapa sumber daya perangkat lunak dan perangkat keras eksklusif.