Интернет конференция по проблемам теории и практики управленияНазвание: Применение алгоритмов XGBoost и нейронных сетей для оценки параметров MMPP-потоков
Автор: Дарья Дмитриевна Салимзянова
Соавторы:
Лисовская Екатерина Юрьевна
Аннотация:
Современные телекоммуникационные системы генерируют сложный и из-менчивый трафик, моделирование и прогнозирование которого является ключевой задачей для обеспечения оптимального качества обслуживания и использования ресурсов. Одним из наиболее гибких инструментов для опи-сания поведения сетевых потоков является MMPP-поток, позволяющий учитывать стохастическую природу и динамику изменения интенсивности наступления событий. В данной работе рассмотрены современные подхо-ды к оценке параметров MMPP с применением методов машинного обуче-ния. Основное внимание уделено использованию ансамблевых алгоритмов в реализации алгоритма градиентного бустинга XGBoost и полносвязных нейронных сетей. Предложенные модели протестированы как на синтети-ческих данных, так и на реальном сетевом трафике, собранном с помощью анализатора пакетов Wireshark. Результаты показывают, что использо-вание моментов времени событий позволяет улучшить качество аппрок-симации, а разделение моделей по числу состояний повышает точность оценки параметров MMPP-потока. Разработанный программный комплекс интегрирует статистические методы (метод моментов, метод макси-мального правдоподобия, метод наименьших квадратов) и алгоритмы ма-шинного обучения, поддерживает визуализацию интервалов между собы-тиями и демонстрирует высокую эффективность на примере данных о реальном сетевом трафике. Полученные результаты подтверждают ак-туальность применения методов, основанных на машинном обучении для анализа сетевых потоков, и создают основу для дальнейшего развития средств прогнозирования сетевой нагрузки в реальном времени.
Ключевые слова:
MMPP-поток, машинное обучение, оценка параметров, градиентный бустинг
Автор: Дарья Дмитриевна Салимзянова
Соавторы:
Лисовская Екатерина Юрьевна
Аннотация:
Современные телекоммуникационные системы генерируют сложный и из-менчивый трафик, моделирование и прогнозирование которого является ключевой задачей для обеспечения оптимального качества обслуживания и использования ресурсов. Одним из наиболее гибких инструментов для опи-сания поведения сетевых потоков является MMPP-поток, позволяющий учитывать стохастическую природу и динамику изменения интенсивности наступления событий. В данной работе рассмотрены современные подхо-ды к оценке параметров MMPP с применением методов машинного обуче-ния. Основное внимание уделено использованию ансамблевых алгоритмов в реализации алгоритма градиентного бустинга XGBoost и полносвязных нейронных сетей. Предложенные модели протестированы как на синтети-ческих данных, так и на реальном сетевом трафике, собранном с помощью анализатора пакетов Wireshark. Результаты показывают, что использо-вание моментов времени событий позволяет улучшить качество аппрок-симации, а разделение моделей по числу состояний повышает точность оценки параметров MMPP-потока. Разработанный программный комплекс интегрирует статистические методы (метод моментов, метод макси-мального правдоподобия, метод наименьших квадратов) и алгоритмы ма-шинного обучения, поддерживает визуализацию интервалов между собы-тиями и демонстрирует высокую эффективность на примере данных о реальном сетевом трафике. Полученные результаты подтверждают ак-туальность применения методов, основанных на машинном обучении для анализа сетевых потоков, и создают основу для дальнейшего развития средств прогнозирования сетевой нагрузки в реальном времени.
Ключевые слова:
MMPP-поток, машинное обучение, оценка параметров, градиентный бустинг