PREDICTING THE NETWORK SERVICE QUALITY VIA THE LOG OF HARDWARE USAGE

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The costs of using a cloud computing infrastructure depend on its optimal configuration. The task is to reduce these costs and to support service quality at agreed level at the same time. To solve these tasks, we need methods for predicting the quality of the network service provided. Such predictions based on the logs of computing infrastructure usage, machine learning and methods for estimating service execution times are the subject of these work. These logs data are obtained through measurements and previously collected data on the operation of the telecommunications infrastructure. Measurements of infrastructure performance and service performance generate large amounts of data. The article discusses various methods for reducing dimensions and isolating significant variables in order to estimate discrepancies between target and predicted characteristics. In experiments, combining the model of a random forest with the method of reducing the dimensions via the principal component analysis has shown the best way.

About the authors

A. A. Grusho

Federal Research Center “Informatics and Management” RAS

Email: grusho@yandex.ru
Moscow, Russia

M. I. Zabezhailo

Federal Research Center “Informatics and Management” RAS

Email: m.zabezhailo@yandex.ru
Moscow, Russia

V. O. Piskovski

Federal Research Center “Informatics and Management” RAS; Faculty of Computational Mathematics and Cybernetics, Lomonosov Moscow State University

Email: vpiskovski@lvk.cs.msu.ru
Moscow, Russia; Moscow, Russia

E. E. Timonina

Federal Research Center “Informatics and Management” RAS

Email: eltimon@yandex.ru
Moscow, Russia

References

  1. Френкель С.Л., Захаров В.Н. Модель прогнозирования интернет-трафика // Искусственный интеллект и принятие решений. 2022. № 4. С. 66–77. https://doi.org/10.14357/20718594220407
  2. Лычева Е.О., Писковский В.О., Могиленец В.М. Прогнозирование временных характеристик прикладных сетевых сервисов // Тр. 5-й Междунар. конф. MODERN NETWORK TECHNOLOGIES (MONETEC-2024). М., Изд-во МГУ им. М.В. Ломоносова, 2024. С. 25–33.
  3. Lan X., Taghia J., Moradi F., Khoshkholghi M.A., Zec E., Mogren O., Mahmoodi T., Johnsson A. Federated Learning for Performance Prediction in Multi-operator Environments // ITU Journal on Future and Evolving Technologies. 2023. V.4. P. 166–177.
  4. Hu C.-H., Chen Z., Larsson E.G. Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning // IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). Lucca, Italy, 2021. P. 281–285.
  5. Lee H.-S., Lee J.-W. Adaptive Transmission Scheduling in Wireless Networks for Asynchronous Federated Learning // IEEE Journal on Selected Areas in Communications. 2021. V. 39. № 12. P. 3673–3687.
  6. Almanifi O.R.A., Chow C.-O., Tham M.-L., Chuah J.H., Kanesan J. Communication and Computation Efficiency in Federated Learning: A survey // Internet of Things. 2023. V. 22.
  7. Lu R., Zhang W., Li Q., He H., Zhong X., Yang H. et al. Adaptive Asynchronous Federated Learning // Future Generation Computer Systems. 2024. V. 152. P. 193–206.
  8. Басок Б.М., Захаров В.Н., Френкель С.Л. Использование вероятностной модели вычислений для тестирования одного класса готовых к использованию программных компонентов локальных и сетевых систем // Информатика и ее применения. 2018. Т. 12. Вып. 4. С. 44–51. https://doi.org/10.14357/19922264180407
  9. Data Traces from a Data Center Testbed – Kaggle [электронный ресурс]. URL: www.kaggle.com/datasets/jaliltaghia/data-traces-from-a-data-center-testbed (дата обращения: 11.09.2023).
  10. Yanggratoke R., Ahmed J., Ardelius J., Flinta C., Johnsson A., Gillblad D., Stadler R.A. Service-agnostic Method for Predicting Service Metrics in Real Time // Intern. J. of Network Management. 2017. V. 28. № 2.
  11. Bishop C.M. Pattern Recognition and Machine Learning. N.Y.: Springer, 2006.
  12. Сайфутдинов Р.А. Исследование алгоритмов уменьшения размерности данных для задачи классификации. СПб.: СПбГУ, 2014.
  13. Hyperparameter Tuning: GridSearchCV and RandomizedSearchCV, Explained [электронный ресурс]. URL: www.kdnuggets.com/hyperparameter-tuning-gridsearchcv-and-randomizedsearchcv-explained (дата обращения: 24.12.2024).
  14. Grusho A., Grusho N., Zabezhailo M., Timonina E. On Some Possibilities of Using AI Methods in the Search for Cause-and-effect Relationships in Accumulated Empirical Data // Proc. 8th Intern. Scientific Conf. “Intelligent Information Technologies for Industry” (IITI 2024, Harbin, China, Nov. 1–7, 2024), Lecture Notes in Networks and Systems (LNNS) 1210. 2024. V. 2. Chap. 25. P. 280–290.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2025 Russian Academy of Sciences

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».