Отправить статью по E-mail Модель прогнозирования Интернет-трафика
- Авторы: Френкель С.Л.1, Захаров В.Н.1
-
Учреждения:
- Федеральный исследовательский центр «Информатика и управление» РАН
- Выпуск: № 4 (2022)
- Страницы: 66-77
- Раздел: Машинное обучение, нейронные сети
- URL: https://journals.rcsi.science/2071-8594/article/view/270489
- DOI: https://doi.org/10.14357/20718594220407
- ID: 270489
Цитировать
Полный текст
Аннотация
Многие современные средcтва Машинного обучения (МО) работают недостаточно эффективно, ввиду выраженной нелинейности изменения трафика и нестационарности. В этих условиях выделяется задача прогнозирования признаков приращений (направления изменения) процесса временных рядов. В статье предлагается использовать некоторые результаты теории случайных процессов для быстрой оценки предсказуемости знаков приращений с приемлемой точностью. Предлагаемая процедура представляет собой простое эвристическое правило предсказания приращения двух соседних значений случайной последовательности. Показывается связь данного подхода для временных рядов с известными подходами предсказания двоичных последовательностей. Рассматривается возможность использования опыта прогнозирования абсолютных значений трафика при прогнозировании знака изменения.
Ключевые слова
Полный текст
Об авторах
Сергей Лазаревич Френкель
Федеральный исследовательский центр «Информатика и управление» РАН
Автор, ответственный за переписку.
Email: fsergei51@gmail.com
кандидат технических наук, доцент, старший научный сотрудник
Россия, МоскваВиктор Николаевич Захаров
Федеральный исследовательский центр «Информатика и управление» РАН
Email: VZakharov@ipiran.ru
доктор технических наук, доцент, ученый cекретарь
Россия, МоскваСписок литературы
- Hanghang Tong, Chongrong Li, Jingrui. A Boostingbased framework for self-similar and non-linear Internet traffic prediction. LNCS (3174). 2004. P.931–936.
- Chen A., Law J., Aibin M. A Survey on traffic prediction techniques using Artificial Intelligence for communication networks. Telecom 2021. 2(4). P.518-535.
- Cloud B L., Dalmaz L., Vilela M. Performance analysis of network traffic predictors. J. Netw Syst Manage … 2017 (25). P.290–320.
- Shimall T. Traffic Analysis for Network Security: Two Approaches for Going Beyond Network Flow Data. 2016. Available at:
- https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.513.7546&rep=rep1&type=pdf
- Zhao A and Y. Liu. Application of nonlinear combination prediction model for network traffic. 2nd International Conference on Electronic & Mechanical Engineering and Information Technology (EMEIT-2012). Proceedings. 2012. P. 2337-2340.
- Lysyak A.S. and B. Ryabko. Time series prediction based on data compression methods. Probl. Inf. Transm. 2016. 52(1). P. 92–99.
- Sornette D. and Andersen J. Increments of uncorrelated time series can be predicted with a universal 75% probability of success. Int. J. Mod. Phys. 2000. 11(4). P. 713–720.
- Frenkel S. Theoretical aspects of a priori On-Line assessment of data predictability in applied tasks. 5th International Symposium on Cyber Security Cryptology and Machine Learning CSCML. 2021. LNCS. 12716. P.187-195.
- Viola R., Martin A., Morgade J., Masneri S. Zorrilla M., Angueira P., Montalbán J. Predictive CDN selection for video delivery based on LSTM network performance forecasts and cost-effective trade-offs. IEEE Trans. on Broadcasting. 2021. 67(1). P.145:158.
- Ikharo A. B., Anyachebelu K. T., Blamah N. V., Abanihi V. K. Optimising Self-Similarity Network Traffic for Better Performance. International Journal of Scientific Research in Science and Technology. Print ISSN: 2395-6011.
- Feder M., Merhav N., Gutman M. Universal prediction of individual sequences. IEEE Trans. Inf. Theor. 1992. 38(4). P.887–892.
- Ryabko B. and Monarev V. Using information theory approach to randomness testing. Journal of Statistical Planning and Inference. 2005. (33). P.95 110.
- Bosq D. and Nguyen Hung. A Course in Stochastic Processes. Stochastic Models and Statistical Inference. Kluwer, Dordrecht. 1996.
- Box G. E. P., Jenkins G. M., Reinsel G. C. Time Series Analysis: Forecasting and Control. John Wiley & Sons Inc. New York. 2008.
- Volovich K.I., Deniso, S.A., Shabanov A.P., Malkovsky S. IAspects of the assessment of the quality of loading hybrid high-performance computing cluster // 5th International Conference on Information Technologies and HighPerformance Computing, ITHPC Computing Center of Far East Branch of the Russian Academy of Science Khabarovsk; Russian Federation; 16 September 2019 through 19 September 2019 // CEUR Workshop Proceedings. 2019. (2426). P.7-11.
- Christoffersen P. and Diebold F. Financial asset returns, direction-of-change forecasting, and volatility dynamics. Management Science. 2022. 52(8). P.1273-1287.
- Campbell J.Y., Lo A.W., MacKinlay A.C. The Econometrics of financial markets. Princeton University Press. 1997.
- Sharma S. Activation functions in neural networks. Retrieved 2019. From https://towardsdatascience.com/activation-functionsneural-networks-1cbd9f8d91d6
- Pan C., Wang Y., Shi H., Shi J., Cai R. Network traffic prediction incorporating prior knowledge for an intelligent network. Sensors. 2022. 22. P.2674.
- Frenkel S. Predicting the direction of changes in the values of time Series for relatively small training samples. 6th International Symposium on Cyber Security Cryptology and Machine Learning CSCML 2021CSCML, Beer-Sheva, Israel. Proceedings, Lecture Notes in Computer Science. 2022. (13301). P.118-134.
Дополнительные файлы
