Гребенщикова Александра Андреевна. Модели и методы прогнозирования сетевого трафика в гетерогенных сетях связи с учётом его статистических характеристик

Короткий опис

Гребенщикова Александра Андреевна. Модели и методы прогнозирования сетевого трафика в гетерогенных сетях связи с учётом его статистических характеристик;[Место защиты: ФГБОУ ВО «Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича»], 2023

МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ,
СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное бюджетное
образовательное учреждение высшего образования
«Санкт-Петербургский государственный университет телекоммуникаций
им. проф. М.А. Бонч-Бруевича»
На правах рукописи
Г ребенщикова Александра Андреевна
МОДЕЛИ И МЕТОДЫ ПРОГНОЗИРОВАНИЯ СЕТЕВОГО ТРАФИКА В
ГЕТЕРОГЕННЫХ СЕТЯХ СВЯЗИ С УЧЁТОМ ЕГО СТАТИСТИЧЕСКИХ
ХАРАКТЕРИСТИК
Специальность 2.2.15. Системы, сети и устройства телекоммуникаций
Диссертация на соискание ученой степени
кандидата технических наук
Научный руководитель кандидат технических наук , доцент Елагин Василий Сергеевич
Санкт-Петербург - 2024

2
ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 4
ГЛАВА 1 АНАЛИЗ МОДЕЛЕЙ И МЕТОДОВ ПРОГНОЗИРОВАНИЯ СЕТЕВОГО ТРАФИКА ДЛЯ КРАТКОСРОЧНЫХ И ДОЛГОСРОЧНЫХ ПРОГНОЗОВ 11
1.1 Актуальность прогнозирования сетевого трафика 11
1.2 Модели и методы прогнозирования 17
1.3 Самоподобность трафика 25
1.4 Итеративный подход 27
1.5 Искусственные нейронные сети 29
1.6 Выводы по главе 38
ГЛАВА 2 ПРОГНОЗИРОВАНИЕ ТРАФИКА ИНТЕРНЕТА ВЕЩЕЙ С ПОМОЩЬЮ АВТРЕГРЕССИОННОЙ МОДЕЛИ ARIMA НА КРАТКОСРОЧНОМ ПЕРИОДЕ 40
2.1 Структура модели авторегрессии и проинтегрированного скользящего
среднего ARIMA 40
2.2 Исследование трафика интернета вещей и свойство самоподобия 41
2.3 Применение итеративного подхода при разработке алгоритма по
подбору оптимальной модели прогнозирования ARIMA 47
2.4 Выводы по главе 53
ГЛАВА 3 ПРОГНОЗИРОВАНИЕ ТРАФИКА РЕАЛЬНОГО ВРЕМЕНИ С ПОМОЩЬЮ ГИБРИДНОЙ МОДЕЛИ АВТРЕГРЕССИИ ARIMA C
ПРИМЕНЕНИЕМ УСЛОВНОЙ ГЕТЕРОСКЕДАСТИЧНОСТИ GARCH НА КРАТКОСРОЧНОМ ПЕРИОДЕ 54
3.1 Модель GARCH 54
3.2 Модель ARIMA/GARCH 55
3.3 Алгоритм подбора и оценки гибридной модели ARIMA/GARCH 59
3.4 Прогнозирование трафика реального времени с помощью модели
ARIMA/GARCH 61
3.5 Выводы по главе 72
ГЛАВА 4 ПРОГНОЗИРОВАНИЕ ТРАФИКА ТРЕХМЕРНОЙ СЕТИ ИНТЕРНЕТА ВЕЩЕЙ ВЫСОКОЙ ПЛОТНОСТИ КАК МНОГОМЕРНОГО СЛУЧАЙНОГО ПРОЦЕССА 75

3
4.1 Модель трафика 75
4.2 Масштаб времени 81
4.3 Метод использования искусственных нейронных сетей 84
4.4 Эффективность метода 88
4.5 Выводы по главе 91
ЗАКЛЮЧЕНИЕ 93
СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ 97
СПИСОК ИСПОЛЬЗУЕМЫХ ПЕРЕМЕННЫХ 99
СПИСОК ЛИТЕРАТУРЫ 102
ПРИЛОЖЕНИЕ А. ДОКУМЕНТЫ, ПОДТВЕРЖДАЮЩИЕ ВНЕДРЕНИЕ ОСНОВНЫХ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОЙ РАБОТЫ 111

Список літератури

ЗАКЛЮЧЕНИЕ
По результатам исследований в диссертационной работе были получены следующие основные результаты:
1. Исследована научная литература в области изучения современного трафика. Современная гетерогенная сеть порождает сетевой трафик со сложной (неоднородной) структурой. Рост объемов разнородного трафика в инфокоммуникационных сетях актуализирует вопросы обеспечения качества предоставляемых услуг связи, что в свою очередь требует обращения к моделям прогнозирования.
2. Модели, построенные на основе данных, характеризующего один объект за ряд последовательных моментов времени (временные ряды) обладают свойством нестационарности, что означает, что их структура многокомпонентная. Поэтому задачи управления сетью основываются, в том числе и на предсказанных будущих данных для принятия правильного решения. Выявить и количественно выразить компоненты сложной структуры, определить наличие или отсутствие тенденции, периодичности, случайной компоненты является основной задачей анализа временного ряда.
3. Произведен анализ моделей и методов прогнозирования сетевого трафика для краткосрочных и долгосрочных прогнозов. Определено, что для краткосрочного прогноза при работе с агрегированными данными с целью прогноза объема трафика предпочтительнее использовать статистические модели, а в остальных случаях структурные. Среди статистических подходов наиболее популярным методом прогнозирования являются модели авторегрессии и проинтегрированного скользящего среднего ARIMA. Модель ARIMA является важным классом параметрических моделей, которые позволяют описывать нестационарные ряды. Модели авторегрессионного класса вполне подходят для интеграции в сетевые устройства предсказывать поведение объема трафика на коротком промежутке в реальном времени.

94
4. Произведен анализ моделей и методов прогнозирования сетевого трафика на основе ИНС. Алгоритмы нейронной сети с глубоким обучением могут идентифицировать нелинейную функцию и осуществить прогнозирование. ИНС типа LSTM используются для прогнозирования трафика в сотовых сетях и в транспортных системах.
5. Исследовано наличие во временных рядах сетевого трафика реального времени эффектов авторегрессионной условной гетероскедастичности.
6. Проведен анализ гибридных моделей авторегрессии и проинтегрированного скользящего среднего ARIMA с обобщенной условной гетероскедастичностью GARCH.
7. Модель авторегрессии проинтегрированного скользящего среднего ARIMA и модель с авторегрессионной условной гетероскедастичностью GARCH являются нелинейными моделями временных рядов, которые совмещают линейную модель ARIMA с уловной дисперсией модели GARCH. Таким образом, в рамках самоподобного процесса приемлемо использовать не только модели ARIMA, но и существующие алгоритмы моделей GARCH ввиду того, что при усреднении по шкале времени у самоподобного процесса сохраняется склонность к всплескам.
8. Разработан алгоритм для прогнозирования трафика реального времени в гетерогенных сетях пятого и последующих поколений на основе гибридной модели авторегрессии и проинтегрированного скользящего среднего (ARIMA) и обобщенной условной гетероскедастичностью GARCH с преобразованием Бокса- Кокса для краткосрочного прогноза на языке программирования python.
9. Эмпирические результаты серии данных показывают, что гибридная модель ARIMA(1,2,2)-GARCH(2,0) обеспечивает оптимальные результаты в рамках предсказания будущих значений и эффективно повышает точность оценки прогнозирования трафика реального времени по сравнению с другими моделями.
10. Преобразование Бокса-Кокса не повлияло на качество прогноза при сравнении моделей ARIMA, но позволило оптимизировать параметры. Однако, преобразование Бокса-Кокса совместно с гибридной моделью ARIMA-GARCH

95
позволило улучшить прогноз на 8,5% при прогнозе на один шаг вперед и на 7,6% при прогнозе на два шага вперед.
11. Разработана модель трафика трехмерной сети высокой плотности как многомерного случайного процесса;
12. Разработан метод использования ИНС типа LSTM для прогнозирования трафика в гетерогенных сетях пятого и последующих поколений в трехмерной сети высокой плотности как многомерного случайного процесса для долгосрочного прогноза.
13. Трафик трехмерной сети высокой плотности в задачах прогнозирования целесообразно рассматривать как многомерный случайный процесс, размерность которого равна количеству узлов сети, производящих трафик. Такой подход позволяет учесть взаимную зависимость потоков трафика, производимых соседними узлами сети.
14. Прогнозирование сетевого трафика как многомерного процесса с помощью ИНС демонстрирует хорошую точность долгосрочного прогноза, в отличие от параметрических моделей типа ARIMA, которые применяются для краткосрочного прогнозирования одномерных процессов.
15. Качество прогнозирования трафика трехмерной сети высокой плотности как многомерного случайного процесса может быть оценено с помощью суммарной среднеквадратической ошибки (RMSE), вычисляемой по всем измерениям случайного процесса.
16. Продуктивность использования модели многомерного случайного процесса для описания трафика трехмерной сети высокой плотности может быть оценена относительным изменением суммарной среднеквадратической ошибки.
17. Применение для прогнозирования трафика трехмерной сети высокой плотности модели многомерного случайного процесса, при получении прогноза при помощи ИНС типа LSTM, позволяет повысить эффективность прогнозирования, согласно приведенному примеру, до 35 % (при размерности k = 10).

96
18. Эффективность прогнозирования предложенным методом зависит от размерности случайного процесса, возрастая с увеличением размерности; скорость увеличения эффективности зависит от характеристик сети связи, а именно - от количества взаимных влияний между узлами сети.
19. Разработанные модели и методы позволят повысить точность прогнозирования сетевого трафика гетерогенной сети. В зависимости от вычислительной мощности системы стоит применять либо аналитические методы, либо методы на основе ИНС. Полученные результаты могут быть использованы для повышения эффективности прогнозирования сетевого трафика гетерогенной сети пятого и последующих поколений в области управления сетевым трафиком.