ПРОГНОЗИРОВАНИЕ СЕТЕВОГО ТРАФИКА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

В статье представлен сравнительный анализ четырех методов прогнозирования (ARIMA, CNN, LSTM, XGBoost) для трех типов реального сетевого трафика (веб, видео, файловый). Используется набор данных CESNET IdleOS. XGBoost с расширенными функциями (задержки, скользящие средние, разности) показывает наилучшую точность: относительная погрешность для веб–трафика составляет 5,9%, для видео - 11,1%, для файлов – 3,9%. Даны рекомендации по выбору метода в зависимости от характеристик дорожного движения.