Protokoll-fordítás támogatása gépi tanulási eszközökkel
A gyorsulva változó infokommunikációs technológiai környezetben egyre több szabványos protokoll van jelen. A kommunikáló berendezések együttműködésében (interoperabilitásában) a különféle protokollok és változataik használata nehezen leküzdhető akadályt jelenthet. A protokollok nem egyértelmű megfeleltethetősége, és a nagy mennyiségű használatban lévő megvalósítási változat miatt a fordításuk általánosságban máig nem megoldott feladat. Bár léteznek bizonyos protokollok között fordítók és megoldási javaslatok a protokollok egymás közötti egyszerűbb fordítására, ezek vagy egyedi, nem skálázható megoldások, vagy általánosított elméleti elképzelések gyakorlati akadályokkal.
Dolgozatomat a jelenlegi mesterséges intelligencia-alapú fordítási megoldások összegzésével kezdem. A dolgozat középpontjában a gépi tanulás-alapú protokoll-fordítás módszertani leírása, és egy, az ennek támogatására kialakított eszközrendszer áll, gyakorlati eseteken keresztül bemutatott verifikációval. Mivel heterogén környezetben a sokféle eszköz közötti fordítás további kihívásokat jelent, azt is bemutatom, hogy a különféle protokoll-fordítók hogyan illeszthetők modern, szolgáltatás-alapú architektúrákba.
A gépi tanulás-alapú fordítás használhatósági vizsgálatának eredményeit elsősorban a HTTP és CoAP protokollok közötti gépi tanulás alapú fordításon keresztül mutatom be. A gépi tanulás-alapú természetes nyelvi modellek finomhangolása és felhasználása mellett meglévő neurális modellek tanítása, és saját neurális modell alkotása is részét képzi az általam vizsgált módszereknek. A fordítandó protokoll-struktúrák elő- és utófeldolgozásával is foglalkozom a különböző modellek fordítási hatékonyságának növelése érdekében.
A felhasznált adat-struktúrák és protokollok sokszor bizalmas adatokat tartalmaznak, így nem feltétlenül lehet valós protokollokat felhasználni gépi tanuláshoz. Ennek kiküszöbölésére a TDK dolgozatomban foglalkozok azzal is, hogy hogyan generálható nagy mennyiségű tanító adathalmaz generatív AI felhasználásával anélkül, hogy ehhez bizalmas információkat kellene felhasználni.
Referenciák:
[1] T. Tóthfalusi, E. Varga, Z. Csiszár, and P. Varga, “ML-based translation methods for protocols and data formats”, in IEEE Conference on Network and Service Management, CNSM, AnServApp Workshop, Niagara Falls, Canada, 2023.
[2] M. S. Mahdavinejad, M. Rezvan, M. Barekatain, P. Adibi, P. Barnaghi, and A. P. Sheth, “Machine learning for internet of things data analysis: a survey", Digital Communications and Networks, vol. 4, no. 3, 2018.
[3] H. Derhamy,J. Eliasson, J. Delsing, P. P. Pereira, and P. Varga, “Translation error handling for multi-protocol soa systems”, in 2015 IEEE 20th Conference on Emerging Technologies Factory Automation (ETFA), 2015.
szerző
-
Csiszár Zoltán
Villamosmérnöki szak, alapképzés
alapképzés (BA/BSc)
konzulens
-
Dr. Varga Pál
egyetemi docens, Távközlési és Médiainformatikai Tanszék
