ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий

ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий
ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ - Проблемы Информационных Технологий
НАЦИОНАЛЬНАЯ АКАДЕМИЯ НАУК АЗЕРБАЙДЖАНА

№2, 2021

ОБ ОДНОМ МЕТОДЕ ИНТЕЛЛЕКТУАЛЬНОГО ПРОАКТИВНОГО МОНИТОРИНГА КОМПЬЮТЕРНЫХ СЕТЕЙ

Шыхалиев Рамиз Г.

В статье предлагается метод для интеллектуального проактивного мониторинга компьютерных сетей (КС). Для обеспечения проактивности мониторинга КС предлагается использовать методы искусственного интеллекта, в частности глубокого обучения (ГО). Традиционные системы мониторинга в основном не имеют функции проактивного мониторинга. Несмотря на то, что сегодня в КС имеются достаточные вычислительные мощности, полосы пропускания и объемы памяти, все же идентификация важных событий среди огромных объемов данных мониторинга остается проблемой. Следовательно, несвоевременное обнаружение проблем КС может привести к перебоям в работе сети, предоставлении сетевых услуг и снижению безопасности КС. В отличие от традиционного мониторинга, интеллектуальный проактивный мониторинг может предоставлять больше информации о состоянии КС. Проактивность мониторинга КС основывается на прогнозировании поведения сети. При этом одним из основных требований для интеллектуального проактивного мониторинга КС является точность прогнозов, которая характеризует способность метода прогнозирования. Для достижения точности прогнозов при проактивном мониторинге КС используется однородный ансамбль, который состоит из одинокого базового алгоритма обучения. В качестве базового алгоритма обучения используется модель LSTM (Long Short-Term Memory − LSTM). Для создания базовых моделей обучения ансамбля LSTM используется «Bagging»-алгоритм. Предложенный в этой работе метод позволит обеспечить относительно высокую точность прогнозирования проблем КС, следовательно, гарантировать достаточную эффективность системы проактивного мониторинга КС (стр.41-52).

Ключевые слова: компьютерные сети, проактивный мониторинг компьютерных сетей, глубокое обучение, LSTM, прогнозирование.
DOI : 10.25045/jpit.v12.i2.04
Литература
  • 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.