KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri
KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2020

KOMPÜTER ŞƏBƏKƏLƏRİNİN TRAFİKİNİN PROQNOZLAŞDIRILMASININ BİR METODU HAQQINDA

Şıxəliyev Ramiz H.

Kompüter şəbəkələrinin (KŞ) uzun və qısa müddətdə trafikinin həcminin dəqiq proqnozlaşdırılması həm monitorinqdə, həm də mövcud şəbəkə resurslarının optimal istifadənin effektiv idarə edilməsində çox vacib rol oynayır. Adətən, daha təcrübəli şəbəkə administratorları KŞ-nin trafikinin həcminin intuitiv şəkildə proqnozlaşdırırlar, lakin müasir, böyük və mürəkkəb KŞ-lərin idarəsi üçün bu tamamilə yolverilməzdir. Buna görə, KŞ administratorlarına mövcud şəbəkə resurslrından istifadəni səmərəli şəkildə planlaşdırmağa və optimal şəkildə idarə etməyə kömək edəcək, maşın təlimi metodlarından istifadə etməklə KŞ-nın trafikinin həcminin proqnozlaşdırmaq üçün daha dəqiq metodlar işlənilməlidir. Bu məqalədə, KŞ-nin trafikinin həcminin qısamüddətli proqnozu üçün, CART (Classification and Regression Trees) modelinə əsaslanan üsul təklif edilir. Metodun mahiyyəti ondan ibarətdir ki, qərar ağaclarının köməyi ilə əvvəlki trafik həcminin vəziyyətləri çoxluğu trafik həcminin vəziyyətləri şablonlarına görə klassifikasiya edilir və hər sinfə uyğun xətti reqressiya modeli qurulur. Metod, mövcud trafik həcminin vəziyyətlər vektorlarını ən uyğun əvvəlki şablonlara görə qruplaşdıraraq və reqressiya tətbiq etməklə KŞ-nin gələcək trafik həcminin vəziyyətini proqnozlaşdırmağa imkan verir. Beləliklə, KŞ-nin trafikinin həcminin qısamüddətli proqnozunun məsələsi mövcud trafik həcminin vəziyyətləri vektorlarını və proqnozlaşdırma üçün reqressiya modelini təyin etməkdir. Metodun düzgünlüyünü qiymətləndirmək üçün orta mütləq miqyaslı səhv MASE (Mean Absolute Scaled Error) istifadə olunur. Təklif olunan metod KŞ-nın trafikinin həcminin qısa müddət üçün, məsələn, həftələr, günlər, saatlar və saniyələr üçün proqnozlaşdırmağa imkan verir. Qısamüddətli proqnozların nəticələrindən QoS-u yaxşılaşdırmaq, rabitə kanallarının həddən artıq yüklənməsinin qarşısını almaq, KŞ-nin mövcud şəbəkə resurslarının optimal idarə etmək və s. üçün istifadə etmək olar (səh.124-133).

Açar sözlər: kompüter şəbəkələri, şəbəkə trafiki, trafikin proqnozu, CART modeli, klassifikasiya, qərar ağacı
DOI : 10.25045/jpit.v11.i2.12
Ədəbiyyat
  • Zhani M.F., Elbiaze H. Analysis and Prediction of Real Network Traffic // Journal of networks, 2009, vol. 4, no. 9, pp. 855−865.
  • Breiman L., Friedman J.H., Olshen R.A., Stone, C.J. Classification and Regression Trees. Wadsworth International Group, Belmont CA, 1984, 368 p.
  • Hoong N.K., Hoong P.K., Tan I.K.T., Muthuvelu N.M., Seng L.C. Impact of Utilizing Forecasted Network Traffic for Data Transfers / IEEE 13th International Conference on Advanced Communication Technology, 2011, pp.1199−
  • Hoong P.K., Tan K.T., Keong C.Y., BitTorrent Network Traffic Forecasting With ARIMA // International Journal of Computer Networks & Communications, 2012, vol.4, no.4, pp. 143−156
  • Sadek N., Khotanzad A. Multi-scale High Speed Network Traffic Prediction Using K-Factor Gengendaue ARMA Model / IEEE International Conference on Communications, 2004, pp. 2148−2152.
  • Yu Y., Wang J., Song M., Song J. Network Traffic prediction and result analysis based seasonal and ARIMA and Correlation Coefficient / IEEE International Conference on Intelligent System Design and Engineering Application, 2010, vol.1, pp. 980−983.
  • El Hag H.M.A., Sharif S.M. An Adjusted ARIMA Model for Internet Traffic / IEEE AFRICON Conference, 2007, 6 p.
  • Anand N.C., Scoglio C.S., Natarajan B. GARCH Non-Linear Time Series Model for Traffic Modeling and Prediction / IEEE Network Operations and Management Symposium, 2008, pp. 694−697.
  • Park C., Woo D-M. Prediction of Network Traffic by Using Dynamic Bilinear Recurrent Neural Network / IEEE Fifth International Conference on Natural Computation, ICNC 2009, Tianjian, China, 14-16 August 2009, pp. 419−423.
  • Chabaa S., Zeroual A., Antari J. Identification and Prediction of Internet Traffic Using Artificial Neural Networks // Journal of Intelligent Learning Systems and Applications, 2010, vol. 2, no. 3, pp. 147−155.
  • Junsong W., Jiukun W., Maohua Z., Junjie W. Prediction of Internet Traffic Based on Elman Neural Network / IEEE Chinese Control and Decision Conference, 2009, pp. 1248−1252.
  • Chabaa S., Zeroual A., Antari J. ANFIS Method for Forecasting Internet Traffic Time Series / Mediterrannean Microwave Symposium, 2009, pp. 1−4.
  • Zhou B., He D., Sun Z. Traffic predictable based on ARIMA/GARCH Model / IEEE 2006 2nd Conference on Next Generation Internet Design and Engineering, 2006, pp. 200−207.
  • Zeng D., Xu1J., Gu J., Liu L., Xu G. Short Term Traffic Flow Prediction Using Hybrid ARIMA and ANN model / IEEE Workshop on Power Electronics and Intelligent Transportation System, 2008, pp. 621−625.
  • Rutka G., Network Traffic Prediction using ARIMA and Neural Networks Models // Elektrotechnika, 2008, vol. 84, no. 4, pp. 53−58.
  • Iqbal M. F., John L. K. Power and Performance Analysis of Network Traffic Prediction Techniques / IEEE International Symposium on Performance Analysis of Systems & Software, 2012, pp. 112−113.
  • Guang C., Jian G., Wei D. A Time series Decomposed Model of Network Traffic // Springer, 2005, pp. 338−345.
  • Hyndman R., Athanasopoulos G., Forecasting: principles and OTexts, 2014. https://books.google.com
  • Theyazn H. H. Aldhyan, Manish R. Joshi Intelligent Time Series Model to Predict Bandwidth Utilization // International Journal of Computer Science and Applications, 2017, vol. 14, no. 2, pp. 130−141
  • Jung S, Kim C., Chung Y. A Prediction Method of Network Traffic Using Time Series Models, ICCSA 2006, pp. 234−243.
  • Hyndman R. J., Koehler A. B. Another look at measures of forecast accuracy // International Journal of Forecasting, 2006, vol. 22, no. 4, pp. 679−