Использование методов регрессионного анализа для построения оптимальной модели зависимости размера очереди от показателя Херста при преобразовании самоподобного входного потока пакетов в поток, имеющий экспоненциальное распределение
Автор: Линец Г.И., Воронкин Р.А., Говорова С.В., Мочалов В.П., Палканов И.С.
Журнал: Инфокоммуникационные технологии @ikt-psuti
Рубрика: Технологии компьютерных систем и сетей
Статья в выпуске: 3 т.18, 2020 года.
Бесплатный доступ
С использованием методов машинного обучения получена модель для предсказания размера очереди входного самоподобного потока пакетов, распределенного по закону Парето при его преобразовании в поток, имеющий экспоненциальное распределение. Поскольку величина потерь в общем случае не дает никаких сведений об эффективности использования буферного пространства в процессе преобразования самоподобного потока пакетов, для оценки качества исследуемых моделей введена метрика качества (штраф), являющаяся комплексным показателем. Данный критерий учитывает как потери пакетов в процессе функциональных преобразований, так и неэффективное использование буферного пространства узлов коммутации. Показано, что лучшими по исследуемому критерию являются модели, использующие методы изотонической регрессии и опорных векторов.
Телекоммуникационная сеть, самоподобный трафик, показатель херста, производительность, распределение парето, потери пакетов, регрессионный анализ, метрики качества, функция штрафа, машинное обучение
Короткий адрес: https://sciup.org/140256261
IDR: 140256261 | DOI: 10.18469/ikt.2020.18.3.04
Список литературы Использование методов регрессионного анализа для построения оптимальной модели зависимости размера очереди от показателя Херста при преобразовании самоподобного входного потока пакетов в поток, имеющий экспоненциальное распределение
- Шелухин О.И., Тенякшев А.М., Осин А.В. Фрактальные процессы в телекоммуникациях. М.: Радиотехника, 2003. 479 с.
- Имитационная модель асинхронного преобразования самоподобного трафика в узлах коммутации с использованием очереди / Г.И. Линец [и др.] // Инфокоммуникационные технологии. 2019. Т. 17. № 3. С. 293-303.
- Линец Г.И., Говорова С.В., Воронкин Р.А. Программа формирования набора данных для исследования статистических характеристик модели преобразования самоподобного трафика // Свидетельство о гос. регистрации программы для ЭВМ № 2019619275. Дата регистр. 15.07.2019.
- Handbook of Mathematics; 6th ed. / I.N. Bronshtein [et al.]. Berlin: Springer, 2015. 1151 p. DOI: https://doi.org/10.1007/978-3-662-46221-8.
- Базовые принципы машинного обучения на примере линейной регрессии. URL: https:// habr.com/ru/company/ods/blog/322076 (дата обращения: 01.04.2020).
- Коэльо Л.П., Ричард В. Построение систем машинного обучения на языке Python / пер. с англ. А.А. Слинкина. М.: ДМК Пресс, 2016. 302 с.
- Isotonic Regression. URL: https://scikit-learn.org/stable/modules/isotonic.html (дата обращения: 01.04.2020).
- Шарден Б., Массарон Л., Боскетти А. Крупномасштабное машинное обучение вместе с Python / пер. с англ. А.В. Логунова. М.: ДМК Пресс, 2018. 358 с.
- Рашка С. Python и машинное обучение / пер. с англ. А.В. Логунова. М.: ДМК Пресс, 2017. 418 с.
- Support Vector Regression (SVR) using linear and non-linear kernels. URL: https://scikit-learn.org/stable/auto_examples/svm/plot_svm_regression.html?highlight=svr (дата обращения: 01.04.2020).
- Westling T., Gilbert P., Carone M. Causal isotonic regression // arXiv:1810.03269. 2019. URL: http://arxiv.org/abs/1810.03269 (дата обращения: 23.05.2020).
