KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri

KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri
KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA - İnformasiya Texnologiyaları Problemləri
AZƏRBAYCAN MİLLİ ELMLƏR AKADEMİYASI

№2, 2021

KOMPÜTER ŞƏBƏKƏLƏRİNİN İNTELLEKTUAL PROAKTİV MONİTORİNQİ METODU HAQQINDA

Şıxəliyev Ramiz H.

Məqalədə kompüter şəbəkələrinin (KŞ) intellektual proaktiv monitorinqi üçün konseptual metod təklif olunur. KŞ-nin proaktiv monitorinqini təmin etmək üçün süni intellekt metodlarından, xüsusən də dərin təlim (DT) metodundan istifadə etmək təklif olunur. Ənənəvi monitorinq sistemlərində ümumiyyətlə proaktiv monitorinq funksiyası yoxdur. Bu gün KŞ-nin kifayət qədər hesablama gücünə, buraxma zolağının genişliyinə və böyük yaddaşa malik olmasına baxmayaraq, böyük həcmli monitorinq verilənlərindən mühüm hadisələrin müəyyənləşdirilməsi problem olaraq qalır. Nəticə etibarilə, KŞ problemlərinin vaxtında aşkarlanmaması şəbəkənin və şəbəkə xidmətlərinin işinin və KŞ-nin təhlükəsizliyinin pozulmasına səbəb ola bilər. Ənənəvi monitorinqdən fərqli olaraq, intellektual proaktiv monitorinq KŞ-nin vəziyyəti haqqında daha çox məlumat verə bilər. KŞ-nin proaktiv monitorinqi şəbəkənin davranışını proqnozlaşdırmağa əsaslanır. Eyni zamanda, KŞ-nin intellektual proaktiv monitorinqi üçün əsas tələblərdən biri, proqnozlaşdırma metodunun imkanını xarakterizə edən proqnozların dəqiqliyidir. KŞ-nin proaktiv monitorinqi zamanı proqnozların dəqiqliyinə nail olmaq üçün vahid baza öyrənmə alqoritmindən ibarət olan bircins ansambldan istifadə olunur. Əsas öyrənmə alqoritmi kimi LSTM (Long Short-Term Memory) modeli istifadə olunur. LSTM ansamblı üçün əsas öyrənmə modelləri yaratmaq üçün "Bagging" alqoritmindən istifadə olunur. Bu işdə təklif olunan metod KŞ-lərin problemlərinin proqnozlaşdırılmasının nisbətən yüksək dəqiqliyini təmin etməyə imkan verəcək, buna görə də KS-nin proaktiv monitorinq sisteminin kifayət qədər səmərəliliyini təmin edəcəkdir (səh.41-52).   

Açar sözlər: kompüter şəbəkələri, kompüter şəbəkələrinin proaktiv monitorinqi, dərin təlim, LSTM, proqnozlaşdırma.
DOI : 10.25045/jpit.v12.i2.04
Ədəbiyyat
  • M. Dilman and D. Raz Efficient Reactive Monitoring // IEEE Journal on Selected Areas in Communications, vol. 20, no. 4, 2002, pp. 668−676.
  • R. Khan, S. U. Khan, R. Zaheer and M. I. Babar An Efficient Network Monitoring and Management System // International Journal of Information and Electronics Engineering, vol. 3, no. 1, 2013, pp.122−126.
  • S. Lee, K. Levanti, H. S. Kim Network monitoring: Present and future // Computer Networks vol. 65, no. 2, 2014, pp. 84–98.
  • V. Sekar, M. K. Reiter, W. Willinger, H. Zhang, R. R. Kompella, David G. Andersen CSAMP: A System for Network-Wide Flow Monitoring / Proceedings of the 5th USENIX Symposium on Networked Systems Design & Implementation, 2008, pp. 233−246.
  • T. Fu, A review on time series data mining // Engineering Applications of Artificial Intelligence, vol. 24, no. 1, 2011, pp. 164−181.
  • Makridakis S., Spiliotis E. and Assimakopoulos V. Statistical and machine learning forecasting methods: Concerns and ways forward // PLOS ONE, vol. 13, no. 3, 2018, 26 p. https://dx.plos.org/10.1371/journal.pone.0194889
  • Baptista M., Sankararaman S., de Medeiros I. P., Nascimento C., Prendinger H. and Henriques E. M. Forecasting fault events for predictive maintenance using data-driven techniques and arma modeling // Computers Industrial Engineering, vol. 115, 2018, pp. 41–53.
  • Cerqueira V., Torgo L. and Soares C. Machine learning vs statistical methods for time series forecasting: Size matters, arXiv preprint arXiv:1909.13316, 2019. Available: https://arxiv.org/abs/1909.13316
  • Kajitani Y., Hipel K. W. and Mcleod A. I. Forecasting nonlinear time series with feed-forward neural networks: a case study of canadian lynx data // Journal of Forecasting, vol. 24, no. 2, 2005, pp. 105−117.
  • Mohammed B., Awan I., Ugail H. and Younas M., Failure prediction using machine learning in a virtualised hpc system and application // Cluster Computing, 2018, pp. 1−15.
  • Abdel-Basset M., Abdel-Fatah L. and Sangaiah A. K. Metaheuristic algorithms: A comprehensive review // Computational Intelligence for Multimedia Big Data on the Cloud with Engineering Applications. Elsevier, 2018, pp. 185−231.
  • Holland J. H., Adaptation in Natural and Artificial Systems, An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence. The MIT Press, 1992, 211 p.
  • Kennedy J. Particle swarm optimization // Encyclopedia of machine learning, 2010, pp. 760–766.
  • Salcedo-Sanz S., Del Ser J., Landa-Torres I., Gil-López S., and Portilla-Figueras J., The coral reefs optimization algorithm: a novel metaheuristic for efficiently solving optimization problems // The Scientific World Journal, vol. 2014, 2014.
  • Muthiah-Nakarajan V. and Noel M. M. Galactic swarm optimization: A new global optimization metaheuristic inspired by galactic motion // Applied Soft Computing, vol. 38, 2016, pp. 771–787.
  • Mirjalili S. and Lewis A. The whale optimization algorithm // Advances in Engineering Software, vol. 95, 2016, pp. 51–67.
  • Goodfellow I., Bengio Y. and Courville A., Deep Learning (AdaptiveComputation and Machine Learning series). MIT press, 2016.
  • Gamboa J. C. B. Deep learning for time-series analysis // arXiv preprint arXiv:1701.01887, 2017. https://arxiv.org/abs/1701.01887
  • Hochreiter S. and Schmidhuber J. Long short-term memory // Neural computation, vol. 9, no. 8, 1997, pp. 1735–1780.
  • Bruneo D. and De Vita F. On the use of lstm networks for predictive maintenance in smart industries / IEEE International Conference on Smart Computing. IEEE, 2019, pp. 241−248.
  • Schuster M. and Paliwal K. Bidirectional recurrent neural networks // IEEE Transactions on Signal Processing, vol. 45, no. 11, 1997, pp. 2673−2681.
  • Luong T., Pham H. and Manning C. D. Effective approaches to attention-based neural machine translation, 2015, pp. 1412−1421.
  • G. Nguyen, S. Dlugolinsky, V. Tran, Á. L. García Deep learning for proactive network monitoring and security protection, IEEE Access, vol. 8, 2016, pp. 19696−19716.
  • Elmasry M. Predict Network Application Performance Using Machine Learning and Predictive Analytics / Thesis, Rochester Institute of Technology, 2019.
  • A. Abusitta, M. Bellaiche, M.Dagenais, T. Halabi A deep learning approach for proactive multi-cloud cooperative intrusion detection system // Future Generation Computer Systems vol. 98, 2019, pp. 308−318.
  • J. R.de Santiago Proactive Measurement Techniques For Network Monitoring In Heterogeneous Environments / Doctoral thesis, Universidad Autónoma de Madrid, 2013.
  • Salfner, F., Lenk, M., Malek, M.: A survey of online failure prediction methods // ACM Computing Surveys vol. 42, no. 3, 2010, pp.1−42.
  • R.Herbrich and T. Graepel, Ensemble Methods: Foundations and Algorithms, Taylor & Francis Group, LLC, 2012, 222 p.
  • A. Metzger and F. Focker, Predictive Business Process Monitoring Considering Reliability Estimates / International Conference on Advanced Information Systems Engineering CAISE 2017, pp 445−460.