Yazar "Soylu, Tuncay" seçeneğine göre listele

Listeleniyor 1 - 6 / 6
  • Küçük Resim Yok
    Öğe
    Bit vector-coded simple CART structure for low latency traffic classification on FPGAs
    (Elsevier, 2020) Soylu, Tuncay; Erdem, Oguzhan; Carus, Aydin
    Traffic classification is the determination of the application types during real-time flow of internet traffic. Machine learning (ML) based classification approaches that can classify internet traffic using statistical properties of flows are of great interest, due to its ability to work under encrypted traffic conditions. In this paper, we propose a novel data structure, named Bit Vector Coded Simple CART (BC-SC), for ML based internet traffic classification. BC-SC data structure is a scalable solution in terms of the number of application classes while providing a significant improvement in search latency, memory requirement and throughput when compared to the state-of-the-art approaches. We also designed two alternative hardware architectures, namely Pipelined and Discrete Parallel Range Comparators (DPRC)-based, on the Field Programmable Gate Array (FPGA) platform to support BC-SC data structure. Pipelined and DPRC-based architectures can achieve up to 665 and 914 giga bit per second (Gbps) or 2078 and 2857 million classifications per second (MCPS) respectively for the minimum packet size of 40 Byte. Furthermore, the proposed engines both can reach 96.8125% accuracy with eight application classes. (C) 2019 Elsevier B.V. All rights reserved.
  • Küçük Resim
    Öğe
    Kablosuz algılayıcı ağların uygulama alanları ve bir algılayıcı düğüm tasarımı
    (Trakya Üniversitesi Fen Bilimleri Enstitüsü, 2012) Soylu, Tuncay; Uçar, Erdem
    İletişim teknolojilerindeki gelişmeler ve ihtiyaçların kablosuz ortama doğru kayması sonucunda günümüzde iletişim yöntemleri, kablosuz iletişim teknolojilerinin üzerine yoğunlaşılmasına neden olmuştur. Son yıllarda iletişim teknolojilerinde en çok gelişme ise Kablosuz Algılayıcı Ağlar üzerinde olduğu görülmektedir. Kablosuz Algılayıcı Ağları diğer ağlara göre farklılıklar göstermektedir. En belirgin özellikleri arasında; diğer kablosuz ağlarda tek taraflı iletişim var iken, veri gönderme veya alma, kablosuz algılayıcı Ağlarda ise çift taraflı iletişim söz konusudur. Ayrıca Kablosuz Algılayıcı Ağlar diğer ağlara göre Akıllı Ağ (Smart Network) sınıfına girmektedir. Bu ağlar; veriyi alma, gönderme ve yorumlama özelliklerine de sahiptirler. Kablosuz Algılayıcı Ağlar ilk zamanlarda özellikle askeri alanda yoğun olarak kullanılmaya başlanmıştır. Buna ek alarak teknolojik gelişmeler ve algılayıcı fiyatlarındaki düşüş nedeniyle sağlık, çevre ve habitat izleme alanında yoğunlaşmıştır. Daha sonra ise Tarım, Endüstri, Trafik, Eğitim gibi alanlarda yaygın olarak kullanılmaya başlamış ve neredeyse bütün sektörlere yayılmıştır. Bu tezde Kablosuz Algılayıcı Ağları'nın geçmişten günümüze kullanım alanları detayları olarak incelenmiştir. Bu inceleme sonuçları sektörel bazda sınıflandırılarak detaylı olarak anlatılmıştır. Bu tezde PIC tabanlı bir Kablosuz Algılayıcı Düğümü tasarlanmıştır. Bu düğüm bir Algılayıcı Düğüm ve bir Ana Düğümden oluşmaktadır. Düğümlerde PIC'ler C dili ile kodlanmıştır. Algılayıcı düğümde sıcaklık algılayıcı kullanılmaktadır. Alınan sıcaklık bilgisi RF aracılığıyla kablosuz olarak Ana Düğüme iletilmektedir. Yapılan düğüm tasarımının veri iletişimi bir insan üzerinde incelenmiştir. Alınan verilerin analizi için bir Seriport Arayüz Programı (Kablosuz Algılayıcı Uygulaması) C# programlama dilinde yazılmış ve verilerin bilgisayar ortamında grafik analizi ve veritabanına kaydedilmesi gerçekleştirilmiştir.
  • Küçük Resim
    Öğe
    Makine öğrenmesi yöntemleri kullanılarak FPGA tabanlı gerçek zamanlı yeni bir trafik sınıflandırma mimarisi tasarımı
    (Trakya Üniversitesi Fen Bilimleri Enstitüsü, 2019) Soylu, Tuncay; Erdem, Oğuzhan
    İnternetin kullanımının artması birçok konuda olduğu gibi internet trafik sınıflandırmaya olan ihtiyacı giderek arttırmaktadır. İnternet trafik sınıflandırma internet servis sağlayıcılar (ISS), kamu kurumları veya özel şirketler için oldukça önemli bir kullanım alanı oluşturmaktadır. Bunun nedeni, her bir kuruluşun kendi internet trafiğini izlemek istemesidir. Buna ilaveten internet trafik sınıflandırma trafik önceliklendirme, trafik şekillendirme ve bant genişliği paylaşımı sağlama gibi ağ yönetim görevleri için kullanılmaktadır. Ayrıca, ağ güvenliği, dinamik erişim kontrolü ve saldırı tespiti gibi internet ağ güvenliği sağlama ve yeni nesil internet ağ mimarilerinin tasarımın da internet trafik sınıflandırmaya ihtiyaç vardır. İnternet trafik sınıflandırma mimarisi tasarımında önemli kriterlerden biri yüksek hızlarda yüksek sınıflandırma doğruluğunu destekleyebiliyor olmasıdır. Özellikle gerçek zamanlı trafik sınıflandırma yapabilmek için 100+ Gpbs hızlara ulaşabilen trafik sınıflandırma mimarisine ihtiyaç vardır. Önerilen mevcut sınıflandırma yöntemlerinin çoğu yazılım tabanlı çözümler olmakla birlikte bu çözümlerin bu hızlara ulaşabilmesi oldukça güçtür. Dolayısıyla yüksek hızlarda internet trafik sınıflandırma yapabilmek için yazılım tabanlı çözümler yerine yüksek hızlarda trafik sınıflandırma yapabilen donanım tabanlı mimariler tercih edilmektedir. Donanım tabanlı mimariler, yüksek hızlara ulaşmalarının yanı sıra bellek verimliliği, çıkan yüksek iş oranı (throughput), dinamik güncelleme ve düşük gecikme gibi trafik sınıflandırma kriterlerinde de yüksek başarım sağlamaktadırlar. Önerilen mevcut internet trafik sınıflandırma çözümlerinden port tabanlı, DPI tabanlı ve sezgisel tabanlı yöntemler şifreli trafik altında ve dinamik port atamalarında düşük performans göstermektedir. Son yıllarda, özellikle şifreli trafik ve dinamik port atamaları altında yüksek doğruluk elde eden makine öğrenmesi (machine learning - ML) tabanlı yöntemler tercih edilmektedir. ML tabanlı yöntemler, trafik akışının (traffic flow) sadece istatistiksel özelliklerine bakarak trafik sınıflandırma yapmaktadır. Yüksek hızlı ve gerçek zamanlı ML tabanlı trafik sınıflandırma için donanım mimarileri tasarımına ihtiyaç vardır. Bu tezde gerçek zamanlı, yüksek hızlarda ve doğrulukta trafik sınıflandırma yapabilmek için makine öğrenmesi tabanlı ve donanım üzerinde gerçeklenen trafik sınıflandırma yöntemleri incelendi. Bu tezin ana katkısı olarak paralel boru hatlı (pipeline) mimariler üzerinde uygulanan yüksek hızlarda ve doğrulukta sınıflandırma yapabilen makine öğrenmesi tabanlı Genişletilmiş Simple CART (E-SC) mimarisi önerilmiştir. Aynı zamanda, benzer katkıları sağlamak amacıyla her bir uygulama sınıfından bir ağaç elde edilen ve ağaçları bitmaplerle zenginleştirilmiş iki aşamalı hibrit bir yapı olan Simple CART Ormanları (SCF) mimarisi önerilmiştir. Son olarak yüksek doğrulukta ve oldukça düşük sınıflandırma gecikmesi sağlayan tek adımlı Bitmap Kodlu Simple CART (BC-SC) veri yapısı önerilmiştir. Alanda Programlanabilir Kapı Dizilimleri (FPGA) tabanlı paralel ve boru hattı üzerinde tasarlanmıştır.
  • Küçük Resim Yok
    Öğe
    Pipelined Decision Trees for Online Traffic Classification on FPGAs
    (Oxford Univ Press, 2023) Erdem, Oguzhan; Soylu, Tuncay; Carus, Aydin
    Decision tree (DT)-based machine learning (ML) algorithms are one of the preferred solutions for real-time internet traffic classification in terms of their easy implementation on hardware. However, the rapid increase in today's newly developed applications and the resulting diversity in internet traffic greatly increases the size of DTs. Therefore, the tree-based hardware classifiers cannot keep up with this growth in terms of resource usage and classification speed. To alleviate the problem, we propose to group application classes by certain rules and create an individual small DT per each group. In this article, a pipelined organization of multiple DT data structures, called pipelined decision trees, is proposed as a scalable solution to tree-based traffic classification. We also propose two distinct algorithms, namely confusion matrix-based class aggregation and leaf count-based class aggregation algorithms, to set group creation rules that allows traffic classification on pipelined smaller DTs in a hierarchical order. We further designed an hardware engine on field programmable gate arrays, which can search those pipelined trees within a single clock cycle by transforming them into bit vectors and implementing multiple range comparisons in parallel. Our architecture with 12 classes can run in 928.88 giga bit per second and achieve 96.04% accuracy.
  • Küçük Resim Yok
    Öğe
    Real-Time Traffic Classification using Simple CART Forest on FPGAs
    (IEEE, 2018) Soylu, Tuncay; Erdem, Oguzhan; Carus, Aydin; Guner, Edip S.
    Traffic classification process categorizes internet traffic into application classes by exploiting packet header data or collected packet statistics. Real-time internet traffic classification is mostly required for network management and security applications. Machine Learning (ML) based traffic classification approaches which utilize statistical properties of traffic flows, have recently attracted great deal of attention from the researches due to its operability under encrypted traffic conditions. In this paper, we propose to use Simple Classification and Regression Trees Forest (SCF) for internet traffic classification. Our proposed scheme comprising multiple parallel trees demonstrates a substantial improvement in search delay and throughput as well as in the memory footprint when compared to a traditional single Simple CART structure. To reach high data rates for real-time classification, we also proposed a parallel and pipelined architecture on Field Programmable Gate Arrays (FPGAs) that support SCF data structure. The post place-and-route FPGA results demonstrate that our design can sustain 854 Gbps or 2669 million classification per second (MCPS) for the minimum packet size of 40 Bytes. Furthermore, our architecture shows an accuracy of 96.6719% for real internet traffic with eight application classes.
  • Küçük Resim Yok
    Öğe
    Simple CART Based Real-Time Traffic Classification Engine on FPGAs
    (IEEE, 2017) Soylu, Tuncay; Erdem, Oguzhan; Carus, Aydin; Guner, Edip S.
    Traffic classification is a process which assorts computer network traffic into predefined traffic classes by utilizing packet header information or network packet statistics. Real-time traffic classification is mainly used in network management tasks comprising traffic shaping and flow prioritization as well as in network security applications for intrusion detection. Machine Learning (ML) based traffic classification that exploits statistical characteristics of traffic, has come into prominence recently, due to its ability to cope with encrypted traffic and newly emerging network applications utilizing non-standard ports to circumvent firewalls. To meet high data rates and achieve online classification with ML-based techniques, Field Programmable Gate Arrays (FPGAs) providing abundant parallelism and high operating frequency is the most appropriate platform. In this paper, we propose to use Simple Classification and Regression Trees (Simple CART) machine learning algorithm for traffic classification. However, the variations in node sizes of Simple CART decision tree caused by discretization pre-process incur memory and resource inefficiency problems when the tree is directly mapped onto the hardware. To resolve these problems, we propose to represent Simple CART decision tree by two stage hybrid data structure (Extended-Simple CART) that comprises multiple range trees in Stage 1 and a Simple CART decision tree enriched with bitmaps at its nodes in Stage 2. Our design is implemented on parallel and pipelined architectures using Field Programmable Gate Arrays (FPGAs) to acquire high throughput. Extended-Simple CART architecture can sustain 557 Gbps or 1741 million classification per second (MCPS) (for the minimum packet size of 40 Bytes) on a state-of-the-art FPGA and achieve an accuracy of 96.8% while classifying an internet traffic trace including eight application classes.