مشخصات مقاله | |
ترجمه عنوان مقاله | یک روش داده محور برای مدل سازی تصمیم گیری مسیر آینده اینترنت |
عنوان انگلیسی مقاله | A data-driven method for future Internet route decision modeling |
انتشار | مقاله سال 2019 |
تعداد صفحات مقاله انگلیسی | 27 صفحه |
هزینه | دانلود مقاله انگلیسی رایگان میباشد. |
پایگاه داده | نشریه الزویر |
نوع نگارش مقاله |
مقاله پژوهشی (Research article) |
مقاله بیس | این مقاله بیس نمیباشد |
نمایه (index) | scopus – master journals – JCR |
نوع مقاله | ISI |
فرمت مقاله انگلیسی | |
ایمپکت فاکتور(IF) |
5.341 در سال 2017 |
شاخص H_index | 85 در سال 2019 |
شاخص SJR | 0.844 در سال 2017 |
شناسه ISSN | 0167-739X |
شاخص Quartile (چارک) | Q1 در سال 2017 |
رشته های مرتبط | مهندسی کامپیوتر – مهندسی فناوری اطلاعات |
گرایش های مرتبط | الگوریتم و محاسبات – اینترنت و شبکه های گسترده |
نوع ارائه مقاله |
ژورنال |
مجله / کنفرانس | سیستم های کامپیوتری نسل آینده – Future Generation Computer Systems |
دانشگاه | The Cyberspace Institute of Advanced Technology, Guangzhou University, Guangzhou, China |
کلمات کلیدی | یادگیری عمیق، روند تصمیم گیری مسیر BGP، مدل سازی داده محور، آینده اینترنت |
کلمات کلیدی انگلیسی | Deep learning, BGP route decision process, data-driven modeling, future Internet |
شناسه دیجیتال – doi |
https://doi.org/10.1016/j.future.2018.12.054 |
کد محصول | E12012 |
وضعیت ترجمه مقاله | ترجمه آماده این مقاله موجود نمیباشد. میتوانید از طریق دکمه پایین سفارش دهید. |
دانلود رایگان مقاله | دانلود رایگان مقاله انگلیسی |
سفارش ترجمه این مقاله | سفارش ترجمه این مقاله |
فهرست مطالب مقاله: |
Outline Highlights Abstract Keywords 1. Introduction 2. Related works 3. Design of our route decision model 4. Evaluation by case study 5. Discussions 6. Conclusion Acknowledgments References |
بخشی از متن مقاله: |
Abstract In this paper, we analyze the inter-domain routing decision making process, then present a prefix level route decision prediction model. More specifically, we apply deep learning methods to build a high-precision BGP route decision process model. Our model handles as much available routing data as possible to promote the prediction accuracy. It analyzes the routing behaviors without any prior knowledge. Beyond discussing the characteristics of the model, we also evaluate the proposed model using experiments explained in detailed cases. For the research community, our method could help in detecting routing dynamics and route anomalies for routing behavior analysis. |