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 | УДК: 004.724.4 | DOI: 10.18469/ikt.2020.18.3.04
Using regression analysis methods for building an optimal model of dependency between the queue size and Hurst exponent when transforming a self-similar input packet flow into a flow with exponential distribution
Using machine learning methods, the model has been obtained for predicting the queue size of an input self-similar packet fow distributed according to the Pareto law when it is transformed into a fow with exponential distribution. Since the amount of losses in general case does not provide any information about the efciency of using bufer space in the process of transforming a self-similar packet fow, a complex quality metric (penalty) was introduced to assess the quality of investigated models. This metric takes into account both packet loss during functional transformations and inefcient use of bufer space of switching nodes. It was shown that the models using isotonic regression and support vectors methods are the best by the considered metric.
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).
