ІНТЕЛЕКТУАЛЬНА СИСТЕМА ПРОГНОЗУВАННЯ ТРАФІКУ КОМП’ЮТЕРНИХ МЕРЕЖ НА ОСНОВІ СИНФАЗНОЇ ОБРОБКИ ДАНИХ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.3.2.63Ключові слова:
комп’ютерні мережі, інтелектуальна система, прогнозування трафіку, синфазна обробка, періодично корельований випадковий процес, MATLABАнотація
У статті розглянуто проблему підвищення ефективності управління комп’ютерними мережами шляхом прогнозування їхнього трафіку з використанням інтелектуальних методів обробки даних. Обґрунтовано доцільність застосування стохастичних моделей нового покоління, зокрема періодично корельованих випадкових процесів (ПКВП), що дозволяють одночасно врахувати випадкову природу формування трафіку та його добову циклічність. На відміну від класичних моделей (Пуассонівських, Марковських, ARIMA, фрактальних), які обмежені у відтворенні комплексних закономірностей, підхід на основі ПКВП забезпечує більш адекватний опис реальних процесів у телекомунікаційних системах.Запропоновано архітектуру інтелектуальної системи прогнозування, ядром якої є алгоритми синфазної обробки даних. Реалізовані процедури включають оцінювання параметричної коваріації, спектральний аналіз центрованих сигналів за допомогою перетворення Фур’є та усереднення кореляційних компонент для зниження впливу шумових складових. Це забезпечує високу точність відтворення варіативності мережевого навантаження та формування стійких прогнозів навіть за умов стохастичних відхилень.Експериментальна апробація проведена на основі даних інтернет-провайдера UFONet (м. Тернопіль). Встановлено, що система коректно ідентифікує критичні пікові інтервали (1,8–2,1 ТБ у вечірні години) та періоди мінімального навантаження (0,5–0,7 ТБ уночі). Додатково реалізовано модуль автоматичної класифікації рівнів навантаження, який переводить числові прогнози у категоріальну форму («мінімальне», «середнє», «критичне»).Такий механізм дозволяє операторам і провайдерам здійснювати проактивне управління ресурсами, зменшувати ризики перевантажень та планувати технічне обслуговування у найменш активні часові інтервали.Практичне значення отриманих результатів полягає у створенні інструменту підтримки прийняття рішень для адміністраторів мережевої інфраструктури, що підвищує стабільність роботи системи та якість надання послуг користувачам. Наукова новизна роботи визначається синтезом методів ПКВП і синфазного аналізу в єдиній інтелектуальній системі прогнозування. Перспективи подальших досліджень пов’язані з інтеграцією розробленої системи з алгоритмами машинного навчання та розширенням її застосування на багаторівневі комп’ютерні мережі наступних поколінь.
Посилання
Erlang A. K. The theory of probabilities and telephone conversations. Nyt Tidsskrift for Matematik. 1909. Vol. 20. P. 33–39.
Czachórski T., Grochla K., Jozefiok A., Nycz T., Pekergin F. Performance evaluation of a multiuser interactive networking system: A comparison of modelling methods. Proc. 26th International Symposium on Computer and Information Sciences (ISCIS 2011). London, UK. 2011. P. 215–221.
Domańska J., Domański A., Czachórski T. Internet traffic source based on hidden Markov model. Lecture Notes in Computer Science. Vol. 6869. Springer. 2011. P. 395–404. DOI: 10.1007/978-3-642-22875-9_36
Claypool M. The effect of latency on user performance in real-time strategy games. Computer Networks. 1995. Vol. 49. P. 52–70. DOI: 10.1016/j.comnet.2005.07.003
Daigle J. N. Queueing Theory for Telecommunications. New York: Addison-Wesley. 1990. 456 p.
Box G. E. P., Jenkins G. M. Time Series Analysis: Forecasting and Control. San Francisco: Holden-Day. 1970. 553 p. DOI: 10.1002/9781118619190
Mandelbrot B. B., Van Ness J. W. Fractional Brownian motions, fractional noises and applications. SIAM Review. 1968. Vol. 10. P. 422–437. DOI: 10.1137/1010093
Leland W. E., Taqqu M. S., Willinger W., Wilson D. V. On the self-similar nature of Ethernet traffic (Extended version). /ACM Transactions on Networking. 1994. Vol. 2(1). P. 1–15. DOI: 10.1109/90.282603
Reichl P. A. A generalized TES model for periodical traffic. Proc. IEEE International Conference on Communications. 1998. P. 1–5. DOI: 10.1109/ICC.1998.683236
Chen T. Network traffic modeling. In: Bidgoli H. (ed.) Handbook of Computer Networks. Wiley. 2007. P. 326–339. DOI: 10.1002/9781118256107.ch21
Zhang Y., Roughan M., Duffield N., Greenberg A. Fast accurate computation of large-scale IP traffic matrices from link loads. ACM SIGMETRICS Performance Evaluation Review. 2003. Vol. 31(1). P. 206–217. DOI: 10.1145/885651.781041
Zhang G., Patuwo B.E., Hu M.Y. Forecasting with artificial neural networks: The state of the art. International Journal of Forecasting. 1998. Vol. 14(1). P. 35–62. DOI: 10.1016/S0169-2070(97)00044-7
Хвостівський М. О., Осухівська Г. М., Хвостівська Л. В., Величко Д. В. Розвиток математичного моделювання трафіку комп’ютерних мереж. Матеріали Міжнародної науково-технічної конференції 14–15 травня 2020 року «Фундаментальні та прикладні проблеми сучасних технологій», Тернопіль, Україна. 2021. C. 107–111. DOI: 10.1425/jsdtl
Khvostivska L., Khvostivskyi M., Dediv I., Yatskiv V., Palaniza Y. Method, algorithm and computer tool for synphase detection of radio signals in telecommunication networks with noises. CITI 2023: Proc. of the 1st International Workshop on Computer Information Technologies in Industry 4.0. Тернопіль, Україна. 2023. C. 173–180. ISSN 1613–0073.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
