Date of Award
4-2025
Document Type
Thesis
Degree Name
Master of Science in Information Technology Management
Department
Information Systems and Security
First Advisor
Prof. Najah Abu Ali
Abstract
The focus of this research is to explore collaborative network traffic management strategies using the Distributed Reinforcement Learning (DRL) and Large Language Models (LLMs) approaches. It emphasizes exploring a new tool for addressing network traffic by utilizing Distributed Reinforcement Learning (DRL) and Large Language Models (LLMs). This is achieved by utilizing self-organizing and self-directing techniques to optimize the network performance. Using the NF-TON-IOT dataset, various classifiers such as Random Forest, AdaBoost, C4. 5, Multi-Layer Perceptron (MLP), and SVM with an RBF kernel were tested for traffic classification and intrusion detection. Research recommends that DRL optimizes the complexity of the network by allowing agents to make decisions independently of the other agents; LLM optimizes the interaction between the agents in the network. By using the performance analysis, it has been explored that Random Forest and AdaBoost are more effective as compared to other classifiers that have been tested such as SVM with RBF kernel. However, the RBF kernel SVM has the drawbacks. The main drawback of the SVM RBF kernel is associated with its computational expenses and the longer training time, especially in datasets of sizeable amounts such as NF-TON-IOT. This is not scalable and inefficient for real-time network traffic management scenarios since fast adaptive responses are further needed.
The scalability restrictions of SVM with RBF kernel prevent it for real-time applications, while Random Forest and AdaBoost prove to be better than other classifiers in the traffic classification tasks. Additionally, the integration of DRL-LLM is shown to exhibit good adaptive behaviour and responsiveness under dynamic traffic conditions. This research presents a new flexible and extensible network traffic management framework based on the synergy between LLM's communication capabilities and DRL's autonomous learning to have a future-proof strategy for managing intelligent, scalable networks.
Arabic Comments
استراتيجيات إدارة حركة المرور في الشبكات التعاونية باستخدام التعلم التعزيزي الموزع ونماذج اللغة الكبيرة
يركز هذا البحث بشكل أساسي على استكشاف التنظيم لإدارة استراتيجيات حركة المرور الشبكي باستخدام نهج التعلم المعزز التوزيعي (DRL) ونماذج اللغة الكبيرة (LLMs). يهدف البحث إلى تقديم أداة جديدة لمعالجة حركة مرور الشبكة من خلال توظيف تقنيات التنظيم الذاتي والتوجيه الذاتي لتحسين أداء الشبكة. تم استخدام مجموعة بيانات NF-TON-IOT لاختبار عدة مصنفات مثل الغابة العشوائية (Random Forest)، و أدا بوست (AdaBoost )،()، و خوارزميات (MLP)، وآلة المتجهات الداعمة (SVM) مع نواة RBF لتصنيف حركة المرور و اكتشاف التطفل.
يوصي البحث بأن التعلم المعزز الموزع (DRL) يعمل على تحسين تعقيد الشبكة من خلال تمكين المستخدمين من اتخاذ قرارات مستقلة، في حين أن نماذج اللغة الكبيرة (LLMs) تعزز التفاعل بين المستخدمين داخل الشبكة. ومن خلال تحليل الأداء، تبين أن (Random Forest) و (AdaBoost) أكثر كفاءة مقارنة بالمصنفات الأخرى مثل SVM مع نواة RBF. ومع ذلك، فإن نواة RBF في SVM تعاني من بعض العيوب، حيث تتطلب موارد حسابية كبيرة ووقت تدريب أطول، خاصة عند التعامل مع مجموعات بيانات ضخمة مثل NF-TON-IOT. وهذا يجعلها غير قابلة للتوسع وغير فعالة في سيناريوهات إدارة حركة مرور الشبكة في الوقت الفعلي، حيث تكون الاستجابات السريعة ضرورية. تُظهر النتائج المستخلصة من مصفوفات الالتباس المختلفة للتحقق من الدقة أن الجمع بين إطاري DRL و LLM بعد نهجا ممكنا لبناء هيكلة إدارة شبكة مرنة وقابلة للتوسع، مما يوفر إرشادات ذات قيمة عالية لتطوير إدارة حركة مرور الشبكة مستقبلا.
Recommended Citation
Alkuwaiti, Saeed Rashed, "COLLABORATIVE NETWORK TRAFFIC MANAGEMENT STRATEGIES USING DISTRIBUTED REINFORCEMENT LEARNING AND LARGE LANGUAGE MODELS" (2025). Theses. 1314.
https://scholarworks.uaeu.ac.ae/all_theses/1314
