Використання класифікатора ресурсів в моделях прогнозування трафіку SDN мереж

Автор(и)

  • Ю.О. Кулаков Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-8981-5649
  • О.В. Корочкін Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0002-6569-5849
  • А.С. Омелянський Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

DOI:

https://doi.org/10.18372/2073-4751.78.18960

Ключові слова:

прогнозування трафіку, класифікатор мережевих ресурсів, програмно-конфігуровані мережі, нейронна мережа

Анотація

У даній роботі здійснено огляд існуючих рішень прогнозування трафіку SDN мереж. Запропоновано рішення використовує класифікатор клієнтських запитів до ресурсів для прогнозуванням реакції мережі на дані запити. Дане короткострокове прогнозування виконується за допомогою згорткової нейронної мережі. Розглянуто аспекти паралельних обчислень та прогнозування в динамічно реконфігурованій системі. Результати прогнозування можуть використовуватися в сервісах QoS/QoE, SDN контролером для маршрутизації трафіку та виявленню аномального характеру трафіку системами захисту мережі.

Посилання

Joshi M., Hadi T. H. A review of network traffic analysis and prediction techniques. arXiv:1507.05722. 2015. 22 p.

Nyaramneni S., Saifulla M. A., Shareef S. M. ARIMA for traffic load prediction in software defined networks. Lecture Notes on Data Engineering and Communications Technologies. Vol. 53. Evolutionary Computing and Mobile Sustainable Networks. Proceedings of ICECMSN 2020 / ed. by V. Suma, N. Bouhmala, H. Wang. Singapore, 2021. P. 815–824.

Yu B., Yang G., Yoo C. Comprehensive prediction models of control traffic for SDN controllers. 2018 4th IEEE Conference on Network Softwarization and Workshops (NetSoft) : proceedings, Montreal, QC, Canada, 25–29 June 2018 / IEEE. 2018. P. 262–266.

Lim B., Zohren S. Time-series forecasting with deep learning: a survey. Philosophical Transactions of the Royal Society A. 2021. Vol. 379, no. 2194. 20200209.

Azzouni A., Pujolle G. NeuTM: A neural network-based framework for traffic matrix prediction in SDN. NOMS 2018 - 2018 IEEE/IFIP Network Operations and Management Symposium : proceedings, Taipei, Taiwan, 23–27 April 2018 / IEEE. 2018. P. 1–5.

##submission.downloads##

Опубліковано

2024-07-01

Номер

Том 2 № 78 (2024)

Розділ

Статті

Ліцензія

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).