кандидат технических наук, доцент, доцент кафедры инфокоммуникационных систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
ассистент кафедры инфокоммуникационных систем Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
Актуальность рассматриваемой в статье тематики состоит в активной трансформации сетей связи и формировании трехмерной сети связи высокой плотности, которая изменяет структуру трафика данных, поэтому и для такого рода сети рассматривается модель трафика как многомерного случайного процесса.
Целью исследования является повышение эффективности прогнозирования сетевого трафика за счет разработки метода, отличительной особенностью которого является прогнозирование трафика как многомерного случайного процесса с учетом взаимной зависимости отдельных потоков, производимых узлами сети.
Методы. В работе рассмотрен алгоритм обучения искусственной нейронной сети (ИНС) на основе метода уменьшения значения корня средней квадратичной ошибки RMSE, а также предложены методы прогнозирования с использованием ИНС типа LSTM и адаптации параметров модели к изменяющимся условиям функционирования сети. Применение ИНС типа LSTM для прогнозирования многомерного случайного процесса, описывающего трафик в трехмерной сети высокой плотноcти, может дать лучшие результаты, чем прогнозирование отдельных потоков трафика, как независимых случайных процессов, за счет учета взаимных влияний между различными потоками трафика.
Решение. Построение соответствующей модели, сбор статистики (получение обучающей выборки), обучение ИНС и выполнение прогноза требует использования вычислительных ресурсов. Таким образом эффективность прогнозирования можно определить, как снижение ошибки прогнозирования при сохранении объема используемых ресурсов или уменьшение объема ресурсов при сохранении ошибки прогнозирования. В ходе решения научной задачи выявлены критерии для выбора величины единичного интервала (лага), что в совокупности с интервалом прогнозирования существенно влияет на итоговый сценарий.
Научная новизна работы заключается в оценке изменения ошибки погрешности при прогнозировании трафика трехмерной сети связи высокой плотности как многомерного случайного процесса, по сравнению с представлением прогноза этого же трафика как множества независимых случайных процессов.
Значимость (теоретическая). Эффективность прогнозирования трафика как многомерного случайного процесса в трехмерной сети связи высокой плотности возрастает с увеличением размерности. Таким образом, такой трафик в задачах прогнозирования следует рассматривать как многомерный случайный процесс, размерность которого равна количеству узлов сети, производящих трафик.
Значимость (практическая). Полученные в работе результаты в перспективе могут быть использованы с целью оптимизации функционирования системы управления трафиком.
Relevance. The relevance of the topic considered in the article lies in the active transformation of communication networks and the formation of a three-dimensional high-density communication network, which changes the structure of data traffic, therefore, for this type of network, a traffic model is considered as a multidimensional random process.
The main purpose of the study is to improve the efficiency of network traffic forecasting by developing a method, the distinctive feature of which is traffic forecasting as a multidimensional random process, taking into account the mutual dependence of individual flows produced by network nodes.
Methods. The paper considers an algorithm for training an artificial neural network (ANN) based on the method of reducing the root of the mean square error RMSE, and also proposes forecasting methods using LSTM-type ANNs and adapting model parameters to changing network operating conditions. The use of LSTM-type ANN for forecasting a multivariate random process describing traffic in a three-dimensional high-density network can yield better results than forecasting individual traffic flows as independent random processes due to the consideration of mutual influences between different traffic flows.
The results. Building the corresponding model, collecting statistics (obtaining a training sample), training the ANN and performing the forecast require the use of computing resources. Thus, the forecasting efficiency can be defined as a decrease in the forecasting error while maintaining the volume of resources used or a decrease in the volume of resources while maintaining the forecasting error. In the course of solving the scientific problem, criteria were identified for selecting the value of a unit interval (lag), which, together with the forecasting interval, significantly affects the final scenario.
The theoretical significance The scientific novelty of the work lies in the assessment of the change in the error in forecasting the traffic of a three-dimensional high-density communication network as a multivariate random process, compared to presenting the forecast of the same traffic as a set of independent random processes.
Significance (theoretical). The efficiency of traffic forecasting as a multidimensional random process in a three-dimensional high-density communication network increases with increasing dimensionality. Thus, such traffic in forecasting problems should be considered as a multidimensional random process, the dimensionality of which is equal to the number of network nodes producing traffic.
Significance (practical). The results obtained in the work can be used in the future to optimize the functioning of the traffic management system.
The authors declare that there are no conflicts of interest present.