Прогнозирование трафика трехмерной сети интернета вещей высокой плотности как многомерного случайного процесса

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.

1. Кучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1−12. DOI:10.31854/2307-1303-2022-10-3-1-12. EDN:LHLYEM

2. Бушеленков С.Н., Парамонов А.И. Анализ и формирование структуры сети интернета вещей на основе моделей решеток // Электросвязь. 2021. № 7. С. 23−28. DOI:10.34832/ELSV.2021.20.7.002. EDN:JIBLHT

3. Volkov A., Abdellah A.R., Muthanna A., Makolkina M., Paramonov A., Koucheryavy A. IoT traffic prediction with neural networks learning based on SDN infrastructure // Proceedings of 23rd International Conference on Distributed and Computer and Communication Networks (DCCN 2020, Moscow, Russia, 14−18 September 2020). Lecture Notes in Computer Science. 2020. Vol. 12563. IEEE, 2020. PP. 64−76. DOI:10.1007/978-3-030-66471-8_6. EDN:QRQIPV

4. Абделлах А.Р., Махмуд О.А., Парамонов А.И. Кучерявый А.Е. Прогнозирование задержки в сетях интернета вещей и тактильного интернета с использованием машинного обучения // Электросвязь. 2021. № 1. С. 23−27. DOI:10.34832/ELSV.2021.14.1.002. EDN:IRYPFV

5. Вентцель А.Д. Курс теории случайных процессов. М.: Наука. Физматлит, 1996. 399 c.

6. Joshi M., Hadi T.H. A Review of Network Traffic Analysis and Prediction Techniques. 2015. URL: https://arxiv.org/abs/1507.05722 (Accessed 25.08.24)

7. Ferreira G.O., Ravazzi C., Dabbene F., Calafiore G.C., Fiore M. Forecasting Network Traffic: A Survey and Tutorial With Open-Source Comparative Evaluation // IEEE Access. 2023. Vol. 11. PP. 6018−6044. DOI:10.1109/ACCESS.2023.3236261

8. Викулов А.С., Парамонов А.И. Постановка задачи замощения плоскости в применении к частотно-территориальному планированию сетей IEEE 802.11 // Радиотехнические и телекоммуникационные системы. 2021. № 1(41). С. 24−32. EDN:HNRRQO

9. Миллер Б.М., Панков А.Р. Теория случайных процессов в примерах и задачах. М.: Физматлит, 2007. 320 c.

10. Manzoor S., Bajwa K.B., Sajid M., Manzoor H., Manzoor M., Ali N., et. al. Modeling of Wireless Traffic Load in Next Generation Wireless Networks // Mathematical Problems in Engineering. 2021. Iss. 1. P. 15. DOI:10.1155/2021/7293093

11. Wang J., Tang J., Xu Z., Wang Y., Xue G., Zhang X., et. al. Spatiotemporal modeling and prediction in cellular networks: A big data enabled deep learning approach // Proceeding of IEEE Conference on Computer Communications (Atlanta, USA, 01−04 May 2017). IEEE, 2017. PP. 1−9. DOI:10.1109/INFOCOM.2017.8057090

12. Luo X., Li D., Yang Y., Zhang S. Spatiotemporal traffic flow prediction with KNN and LSTM // Journal of Advanced Transportation. 2019. PP. 1−10. DOI:10.1155/2019/4145353

13. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9. Iss. 8. PP. 1735−80. DOI:10.1162/neco.1997.9.8.1735

14. Kavitha A.K., Praveena S.M. Deep learning model for traffic flow prediction in wireless network // Automatika. 2023. Vol. 64. Iss. 4. PP. 848−857. DOI:10.1080/00051144.2023.2220203

15. Шелухин О.И., Осин А.В., Смольский С.М. Самоподобие и фракталы. Телекоммуникационные приложения. М.: Физматлит, 2008. 368 c. EDN:MVSWAB

16. Цыбаков Б.С. Модель телетрафика на основе самоподобного случайного процесса // Радиотехника. 1999. № 5. С. 24–31.

17. Шелухин О.И., Тенякшев А.М., Осин А.В. Фрактальные процессы в телекоммуникациях. М.: Радиотехника, 2003. 480 c. EDN:UKUJXH

18. Sjöberg J., Ljung L. Overtraining, Regularization, and Searching for Minimum in Neural Networks. 1992. URL: https://www.researchgate.net/profile/J-Sjoberg/publication/2738519_Overtraining_Regularization_And_Searching_For_Minimum_With_Application_To_Neural_Networks/links/02e7e519f37e9a2f6e000000/Overtraining-Regularization-And-Searching-For-Minimum-With-Application-To-Neural-Networks.pdf (Accessed 26.08.2024)