АНАЛИЗ ИЗМЕРЕННОГО СЕТЕВОГО ТРАФИКА НА СТАЦИОНАРНОСТЬ
DOI:
https://doi.org/10.52167/1609-1817-2022-122-3-302-308Ключевые слова:
временной ряд, сетевой трафик, стационарный процесс, нестационарный процесс, автокорреляция, прогнозированиеАннотация
С развитием сети Интернета вещей (Internet of Things, IoT) объем данных, в том числе объем сетевого трафика увеличивается все больше и больше. Число подключаемых устройств к сети IoT увеличивается с каждым днем. Следовательно, актуальность задач управления сетью, в том числе на основе прогнозируемых будущих данных очевидна. Нахождение и оценка компонентов структуры ряда, таких как наличие или отсутствие тренда, периодичности, случайной составляющей, которые необходимы для принятия правильного решения, является основной задачей анализа временных рядов. Анализ сетевого трафика - важный шаг в развитии успешных схем управления перегрузкой и определения нормальных и вредоносных пакетов.
В данной статье рассматривается временной ряд с реальными данными, снятые на магистрали в городе Алматы. Для анализа временного ряда на стационарность применены методы исследования на наличие автокорреляции, а также визуальная оценка графиков одномерного ряда и ковариационной матрицы, которая разбивает одномерный ряд на многомерный. Использован тест Льюнга-Бокса на наличие автокорреляции. Результаты исследования получены в среде численно-математического моделирования Matlab и все они указывают на не стационарность ряда.
Библиографические ссылки
[1] О.А. Мишулина. Статистический анализ и обработка временных рядов. - М.: «МИФИ», 2004. –180 с.
[2] Serikov T., Zhetpisbayeva A., Mirzakulova S., Zhetpisbayev K., Ibraeva Z., Sobolevа L., Tolegenova A., & Zhumazhanov B. Application of the NARX neural network for predicting a one-dimensional time series //Eastern-European Journal of Enterprise Technologies. – 2021. – Vol. 5. – №4 (113). - P. 12–19. DOI: 10.15587/1729-4061.2021.242442
[3] Власюк А. А., Орлов Ю. Н. Точность идентификации выборочных распределений временных рядов в зависимости от типа распределения, нормы и длины выборки // Препринты ИПМ им. М.В. Келдыша. - 2015. - № 17. - С.25
[4] Кильдишев Г.С., Френкель А.А. Анализ временных рядов и прогнозирование. - М.: «Статистика», 1973. –106 с.
[5] В.П. Дьяконов, В.В. Круглов. Matlab 6.5 SP1/7/7 SP1/7 SP2 Simulink 5/6. Инструменты искусственного интеллекта и биоинформатики. Серия «Библиотека Профессионала». – М.: СОЛОН-ПРЕСС, 2020. – 454 с.: ил
[6] Кобзарь А.И. Прикладная математическая статистика. - М.: Физматлит, 2006. – 816 с.
[7] Nielsen A. Practical time series analysis: Prediction with statistics and machine learning. – USA.: «O'Reilly Media», 2019. – 504 p.
[8] Beard E., Marsden J., Brown J., Tombor I., Stapleton J., Michie S., & West, R. Understanding and using time series analyses in addiction research // Society for the Study of Addiction. – 2019. – №114 (10). – P.1866-1884 DOI:10.1111/add.14643
[9] F. Xu et al., Big Data Driven Mobile Traffic Understanding and Forecasting: A Time Series Approach, // IEEE Transactions on Services Computing. – 2016. - Vol. 9. - № 5. - P. 796-805, DOI: 10.1109/TSC.2016.2599878.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2022 Бектемысова Гульнара, Жанар Ибраева, Кулакаева Айгуль, Кожахметова Багдат
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
