Анализ быстродействия сети интернет на территории РФ с использованием данных системы распределенных измерений RIPE Atlas
Автор: Изюмов П.С., Ивченко А.В.
Журнал: Труды Московского физико-технического института @trudy-mipt
Рубрика: Информатика и управление
Статья в выпуске: 1 (65) т.17, 2025 года.
Бесплатный доступ
В данной статье рассматриваются вопросы анализа и оценки быстродействия работы сети Интернет на территории страны. Предложен набор различных подходов к оценке быстродействия сети, в том числе работа с аномальными данными, сравнение различных территориальных зон и анализ компонент в полученных временных рядах. В работе акцентируется внимание на факторах, влияющих на скорость интернетсоединения, таких как расстояние до серверов, время и фаза суток, а также провайдер, что позволяет выявить основные факторы производительности сети. Кроме того, рассматриваются методы категоризации временных рядов, а именно модели машинного обучения для кластеризации данных о сетевом трафике. Это позволяет не только анализировать текущую ситуацию, но и точнее прогнозировать будущие значения производительности сети. Также результаты могут быть применены в адаптивном управлении трафиком, которое может повысить эффективность использования сетевых ресурсов.
Сети, измерения, статистика, интернет-трафик, анализ временных рядов
Короткий адрес: https://sciup.org/142245203
IDR: 142245203 | УДК: 519.246.8,
Analysis of internet network performance in the territory of the Russian Federation using data from the RIPE Atlas distributed measurement system
This article is about analysis and evaluation of the Internet performance in the country. A set of different approaches to estimation of the network performance is proposed, including working with anomalous data, comparing different territorial zones and analyzing the components in the obtained time series. The paper focuses on factors affecting the Internet connection speed, such as distance to servers, time and phase of the day and also the provider, which allows identifying the main factors of network performance. In addition, methods for categorizing time series are considered, namely machine learning models for clustering network traffic data. This allows not only to analyze the current situation, but also to more accurately predict future network performance values. The results can also be applied in adaptive traffic management, which can improve the efficiency of using network resources.