Resumen

La predicción del tráfico de IoT en la era actual ha atraído notable atención para utilizar de manera óptima el ancho de banda y la capacidad de canal. En este documento, se ha estudiado el problema de la predicción del tráfico de IoT, y se han propuesto soluciones utilizando el método de aprendizaje automático ARIMA y algoritmos de series temporales como LSTM y la unidad recurrente con compuertas (GRU-NN) basados en redes neuronales. El GRU-NN propuesto predice el tráfico sobre la base de aprendizaje por transferencia. La ventaja del GRU-NN sobre LSTM también se destaca al resolver el problema de la desaparición del gradiente. El GRU-NN propuesto memoriza las características del tráfico del entorno de IoT durante mucho tiempo, lo que finalmente ayuda al sistema a pronosticar el tráfico próximo a partir de las trazas existentes del tráfico. El GRU-NN propuesto utiliza la técnica de aprendizaje por transferencia para manejar el problema de datos insuficientes de tráfico de IoT junto con el método de entrenamiento de aumento

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Predicción; Tráfico IoT; GRU-NN; LSTM; ARIMA; Aprendizaje automático
• Keywords:Prediction; IoT traffic; GRU-NN; LSTM; ARIMA; Machine learning