Аналіз і прогнозування характеристик комп’ютерної мережі
Анотація
Більшість застосунків та пристроїв сьогодні працюють у взаємодії з мережами передачі даних, тому важливим є розробка й удосконалення технологій і методів для кращого розуміння, контролю, управління або прогнозування поведінки і стану комп’ютерних мереж та їх характеристик. Тому задачі, пов’язані з розробкою моделей та методів оцінки й прогнозування параметрів трафіку комп’ютерної мережі, є важливими для управління комп’ютерними мережами. Метою роботи була розробка моделі виявлення трендів характеристик комп’ютерних мереж та їх подальше оцінювання для підвищення якості прогнозування. У роботі запропоновано розглядати трафік комп’ютерних мереж з точки зору часових рядів. Розглянуті та проаналізовані моделі тренду часових рядів і критерії виявлення та методи оцінки тренду. Обраний метод оцінки тренду трафіку на основі тесту Манн-Кендалла, для інтерпретації результатів використаний метод консенсусу. Також була розглянута задача прогнозування трафіку комп’ютерної мережу із врахуванням показників тренду. Дана задача була успішно розв’язана з використанням моделі прогнозування на основі ковзного середнього, та удосконалена із застосуванням градієнтного бустингу. Окремою задачею були збір та попередня обробка набору вхідних даних, який описує роботу комп’ютерної мережі, його формалізація й подальший кількісний та якісний аналіз Був створений унікальний набір даних, сформований шляхом парсингу логів (системних файлів) із даних моніторингу стану трафіку комп’ютерної мережі. Саме цей набір даний був використаний для створення моделі виявлення тренду і подальшого прогнозування характеристик комп’ютерної мережі. Отримані результати показали, що розроблені моделі і методи можна використовувати у практичній діяльності при розв’язанні задач моніторингу і управління комп’ютерними мережами.
Завантаження
Посилання
/Посилання
Gray K. L. Comparison of Trend Detection Methods. Graduate Student Theses, Dissertations & Professional Papers. 2007. 228 p.
IBM Corporation Documentation. Trend detection. 2021. URL: https://www.ibm.com/docs/en/siffs/2.0.3?topic=learning-trend-detection
Andriienko V.M., Arsiriy Y.A. Intelligence analysis of time series with stochastic trend. East-European Journal of Advanced Technology. 2011. № 4/4 (52). P. 4-8.
Kovtun N.V. Theory of Statistics: Course of lectures, practice. Kyiv: ImeksLTD, 2007. 276 с.
Baklan I.V., Stepankova H.A. Probabilistic models for time series analysis and forecasting. Artificial intelligence. 2008. № 3. P. 505-515.
Romanchuk V.I., Lavriv O.A., Chervenets V.V., Bak R.I. Study of probabilistic properties of corporate multiservice network traffic. Radio electronics and Telecommunications : [collection of scientific papers] / editor B.A. Mandziy. Lviv : Publishing house of Lviv Polytechnic. 2011. P. 128-134.
Robert Nau. Statistical Forecasting: notes on regression and time-series analysis. ARIMA Models for time-series forecasting. 2020.
Rylova N., Oksanych I. ARIMA-models synthesis for forecasting the yield factors of conditioned semiconductor materials. Information Processing Systems. 2015. Vol. 5 (130). P. 102-107.
Real World Networking datasets. URL: https://gist.github.com/stefanbschneider/96602bb3c8b256b90058d59f337a0e59.
Dekel Shai, Oren Elisha, Ohad Morgan. Wavelet Decomposition of Gradient Boosting. CoRR abs/1805.02642. 2018. P. 1-13.
Yanru Zhang, Ali Haghani. A gradient boosting method to improve travel time prediction. Transportation Research Part C: Emerging Technologies. 2015. Vol. 5, Part B. P. 308-324. Doi: https://doi.org/10/1016/j.tr.2015.02.019.
Gray K. L. Comparison of Trend Detection Methods. Graduate Student Theses, Dissertations & Professional Papers. 2007. 228 p.
IBM Corporation Documentation. Trend detection. 2021. URL: https://www.ibm.com/docs/en/siffs/2.0.3?topic=learning-trend-detection.
Андриенко В.М., Арсирий Е.А. Интеллектуальный анализ временных рядов со стохастическим трендом. Восточно-европейский журнал передовых технологий. 2011. № 4/4 (52). С. 4-8.
Ковтун Н.В. Теорія статистики: Курс лекцій, практикум. К.: ІмексЛТД, 2007. 276 с.
Баклан І.В., Степанкова Г.А. Імовірнісні моделі для аналізу та прогнозування часових рядів. Искусственный интеллект. 2008. № 3. С. 505-515.
Романчук В.І., Лаврів О.А., Червенець В.В., Бак Р.І. Дослідження імовірнісних властивостей трафіку корпоративної мультисервісної мережі. Радіоелектроніка та телекомунікації : [збірник наукових праць] / відповідальний редактор Б. А. Мандзій. Львів : Видавництво Львівської політехніки. 2011. С. 128-134. (Вісник Національного університету «Львівська політехніка», № 705).
Robert Nau. Statistical Forecasting: notes on regression and time-series analysis. ARIMA Models for time-series forecasting. 2020.
Рилова Н., Оксанич І. Синтез ARIMA-моделей для прогнозування коефіцієнтів виходу кондиційних напівпровідникових матеріалів. Системи обробки інформації. 2015. Вип. 5 (130). С. 102-107.
Real World Networking datasets. URL: https://gist.github.com/stefanbschneider/96602bb3c8b256b90058d59f337a0e59.
Dekel Shai, Oren Elisha, Ohad Morgan. Wavelet Decomposition of Gradient Boosting. CoRR abs/1805.02642. 2018. P. 1-13.
Yanru Zhang, Ali Haghani. A gradient boosting method to improve travel time prediction. Transportation Research Part C: Emerging Technologies. 2015. Vol. 5, Part B. P. 308-324. Doi: https://doi.org/10/1016/j.tr.2015.02.019.