¿Cuál es el papel del tráfico de red y cómo ganar dinero?
El tráfico de red es la cantidad de datos transmitidos en la red. El tamaño del tráfico de la red es de gran importancia para el diseño de la arquitectura de la red. Al igual que diseñar el ancho y el método de conexión de las carreteras en función del número y la dirección del flujo de vehículos, es muy necesario diseñar la red en función del tráfico de la red.
Nombre chino: Tráfico de red
Nombre extranjero: Tráfico de red
Significado: Datos transmitidos en la red
Ventajas: Alta escalabilidad, alta rendimiento de costes, etc.
Aplicación: red de campus, etc.
Cuantas más personas visiten un sitio web ganen dinero porque (cuanto más tráfico tenga un sitio web, mayor será el coste de la publicidad en el sitio web), por lo que gana dinero (similar a las calificaciones de los canales de televisión y los costos de publicidad).
Información ampliada:
Indicadores de evaluación
Una métrica clave para la clasificación del tráfico es la precisión de una determinada tecnología de clasificación o modelo de clasificación al clasificar objetos de datos desconocidos. El estándar de evaluación habitualmente utilizado para medir la precisión de la clasificación incluye principalmente los siguientes cuatro aspectos:
Verdadero positivo (TP): indica el número de muestras positivas predichas correctamente por el modelo de clasificación, es decir, pertenecen a la categoría A. y lo que se predice es el número de muestras en la categoría A.
Falso negativo (FN): Indica el número de muestras positivas que el modelo de clasificación predice incorrectamente como clases negativas, es decir, el número de muestras que pertenecen a la categoría A pero que se predice que no pertenecen a categoría A.
Falso positivo (FP): Indica el número de muestras negativas que el modelo de clasificación predice incorrectamente como positivas, es decir, el número de muestras que no pertenecen a la categoría A pero que se predice que pertenecen a categoría A.
Verdadero negativo (TN): Indica el número de muestras negativas predichas correctamente por el modelo de clasificación, es decir, el número de muestras que no pertenecen a la categoría A y se predice que no pertenecerán a la categoría A.
Además, los métodos de clasificación basados en aprendizaje automático suelen utilizar otras dos métricas para evaluar sus resultados de clasificación, que se definen de la siguiente manera: Recordar: recordar=TP/(TP FN), que indica la categoría La proporción de muestras predichas correctamente en A.
Precisión: precisión = TP/(TP FP), que representa la proporción de muestras que realmente pertenecen a la categoría A entre todas las muestras que se predice que serán categoría A. Muchos estudios de clasificación de tráfico utilizan la precisión del flujo o la precisión de bytes como métrica para sus resultados experimentales. La precisión del flujo representa la proporción de flujos clasificados correctamente, mientras que la precisión de bytes se centra más en la proporción de flujos clasificados correctamente. Entre ellos, la precisión se define de la siguiente manera:
Precisión: precisión = (TP TN)/(TP TN FP FN), que representa el número de muestras predichas correctamente por el modelo de clasificación como proporción de la Proporción total de muestras.
Referencia: Enciclopedia Baidu-Tráfico de red (Índice de evaluación)