31-41

МОДЕЛИРОВАНИЕ СЕТЕВОГО ТРАФИКА НА БАЗЕ
МАРКОВСКОЙ МОДЕЛИ И РЕКУРРЕНТНОЙ НЕЙРОННОЙ СЕТИ

Р. Ф. Бикмухамедов, А. Ф. Надеев
Казанский национальный исследовательский технический университет им. А.Н. Туполева (КНИТУ – КАИ),
Российская Федерация, 420111, Казань, ул. К. Маркса, 10
E-mail: radion.bikmukhamedov@pm.me

АННОТАЦИЯ

Статистическое моделирование сетевых потоков и устройств находит своё применение при тестировании систем и сетей, а также при необходимости воспроизвести трафик устройств, которые недоступны. В данной работе был проведён сравнительный анализ моделей трафика на базе скрытой марковской модели и рекуррентной нейронной сети в задаче имитации трафика на примерах с голосовым сеансом и трафика от IoT (Internet of Things) устройства Amazon Echo. По результатам оценки сгенерированных пакетов было показано преимущество марковской модели по метрикам скользящей энтропии и дивергенции Кульбак–Лейблера по распределениям сгенерированных параметров.

КЛЮЧЕВЫЕ СЛОВА

рекуррентная нейронная сеть; скрытая марковская модель; модель сетевого трафика.

ПОЛНЫЙ ТЕКСТ (pdf)

СПИСОК ЛИТЕРАТУРЫ

1. Gamma-modulated Wavelet model for Internet of Things traffic / Y. Li et al. // IEEE International Conference on Communications (ICC). 2017. Pp. 1-6. doi: 10.1109/ICC.2017.7996506

2. Hoßfeld T., Metzger F.and Heegaard P. E. Traffic modeling for aggregated periodic IoT data // 21st Conference on Innovation in Clouds, Internet and Networks and Workshops (ICIN). 2018. Pp. 1-8. doi: 10.1109/ICIN.2018.8401624

3. Botta A., Dainotti A., Pescapè A. A tool for the generation of realistic network workload for emerging networking scenarios // Computer Networks (Elsevier). 2012. Vol. 56. Iss. 15. Pp. 3531-3547.

4. Laner M., Svoboda P. and Rupp M. Parsimonious Network Traffic Modeling By Transformed ARMA Models // IEEE Access. 2014. Vol. 2, pp. 40-55,. doi: 10.1109/ACCESS.2013.2297736

5. Internet traffic modeling by means of Hidden Markov Models / Alberto Dainotti, Antonio Pescapé, Pierluigi Salvo Rossi et al // Computer Networks. 2008. Vol. 52. Iss. 14. Pp. 2645-2662. https://doi.org/10.1016/j.comnet.2008.05.004

6. Simple Traffic Modeling Framework for Machine Type Communication / Nikaein N. et al // The Tenth International Symposium on Wireless Communication Systems. Ilmenau, Germany, 2013. Pp. 1-5. URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=6629847&isnumber=6629683.

7. Madan R. and SarathiMangipudi P. Predicting Computer Network Traffic: A Time Series Forecasting Approach Using DWT, ARIMA and RNN // Eleventh International Conference on Contemporary Computing (IC3). Noida. 2018. Pp. 1-5. doi: 10.1109/IC3.2018.8530608

8. Oliveira T., Barbar J., Soares A. Computer network traffic prediction: A comparison between traditional and deep learning neural networks // International Journal of Big Data Intelligence. 2016, doi: 3. 28. 10.1504/IJBDI.2016.073903.

9. Rabiner L. R. A tutorial on hidden Markov models and selected applications in speech recognition // Proceedings of the IEEE. Feb. 1989. Vol. 77. No. 2. Pp. 257-286, doi: 10.1109/5.18626 URL: http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=18626&isnumber=698

10. Junyoung Chung, Caglar Gulcehre, Kyung Hyun et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling. arXiv:1412.3555v1 [cs.NE] 11 Dec 2014

11. Francois Chollet. Deep Learning with Python. Manning Publications; 1 edition, December 22, 2017. 

Для цитирования: Бикмухамедов Р. Ф., Надеев А. Ф. Моделирование сетевого трафика на базе марковской модели и рекуррентной нейронной сети // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2019. № 1 (41). С. 31-41. DOI: 10.25686/2306-2819.2019.1.31