ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий
ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2020

ОБ ОДНОМ МЕТОДЕ ПРОГНОЗИРОВАНИЯ ТРАФИКА КОМПЬЮТЕРНЫХ СЕТЕЙ

Шыхалиев Рамиз Г.

Точное прогнозирование объема трафика компьютерных сетей (КС) как в долгосрочном, так и краткосрочном периоде времени играет очень важную роль в мониторинге, а также в эффективном управлении оптимальным использованием имеющихся сетевых ресурсов. Обычно более опытные сетевые администраторы интуитивно прогнозируют объем трафика КС, однако это совсем неприемлемо для администрирования современных, больших и сложных КС. Поэтому должны быть разработаны более точные методы прогнозирования объема трафика КС с использованием методов машинного обучения, которые помогут администраторам КС эффективно планировать и оптимально управлять использованием имеющихся сетевых ресурсов. В данной статье предлагается метод краткосрочного прогнозирования объема трафика КС на основе модели CART (Classification and Regression Trees). Суть метода заключается в том, что с помощью деревьев решений предыдущие множества состояний объема трафика классифицируются по множеству шаблонов состояний объема трафика и строится модель линейной регрессии, соответствующая каждому классу. Метод позволяет прогнозировать будущее состояние объема трафика КС путем кластеризации векторов текущих состояний трафика по наиболее подходящим предыдущим шаблонам и использования регрессии. Таким образом, задача краткосрочного прогнозирования объема трафика КС состоит в определении векторов текущих состояний объема трафика и модели регрессии для прогнозирования. Для оценки точности метода используется средняя абсолютная масштабированная ошибка MASE (Mean Absolute Scaled Error). Предложенный метод позволит прогнозировать объем трафика КС для коротких периодов времени, например, для периодов недель, дней, часов и секунд. Результаты краткосрочных прогнозов могут быть использованы для улучшения QoS (Quality of Service), предотвращения перегрузки каналов связи, оптимального управления имеющимися ресурсами КС и т.п (стр.124-133).

Ключевые слова: компьютерные сети, сетевой трафик, прогнозирование трафика, модель CART, классификация, дерево решений.
DOI : 10.25045/jpit.v11.i2.12
Литература
  • 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−