Управление QoS с помощью нейронных сетей

Бесплатный доступ

Постоянный рост числа интернет-пользователей ведет к возникновению новых требований к пропускной способности сетей связи. Для эффективного управления сетью передачи данных необходимо применять методы маршрутизации, управления трафиком и контроля загруженности. В данной статье рассматривается управление качеством обслуживания (Quality of Service, QoS) и проблемы, связанные с перегрузками в сети. QoS - это технология, которая включает в себя набор механизмов и алгоритмов для обработки различных типов трафика с учетом их приоритетности на сетевых устройствах. Инструменты QoS позволяют эффективно использовать доступные сетевые ресурсы в условиях их ограниченности в современных сетях и удовлетворять повышенным требованиям сервисов и пользователей к сетевым услугам. Также показано применение нейронных сетей в управлении QoS. Нейронные сети представляют большой потенциал для оптимизации работы сетей и повышения качества обслуживания. Они могут быть использованы для прогнозирования и адаптации трафика, определения оптимальных маршрутов и балансировки нагрузки. Однако для полного использования потенциала нейронных сетей в управлении QoS требуются дальнейшие исследования. Необходимо оптимизировать модели нейронных сетей и разработать специализированные алгоритмы обучения, чтобы максимально использовать возможности этого подхода в будущем. Применение нейронных сетей в управлении QoS может значительно улучшить производительность сети и обеспечить более эффективное управление трафиком. Однако чтобы достичь этих целей, необходимо уделить больше внимания исследованиям и развитию этой области.

Еще

Управление qos, сетевые перегрузки, нейронные сети, методы, алгоритмы, оптимизация работы

Короткий адрес: https://sciup.org/148326858

IDR: 148326858   |   DOI: 10.18137/RNU.V9187.23.03.P.186

Список литературы Управление QoS с помощью нейронных сетей

  • Андросова Е.Е. Применение рекурсивных рекуррентных нейронных сетей // Новые информационные технологии в автоматизированных системах. 2021. № 19. URL: https://cyberleninka.ru/article/n/primenenie-rekursivnyh-rekurrentnyh-neyronnyh-setey (дата обращения: 19.08.2023).
  • Аламир Хайдер Сагбан Хуссейн, Заргарян Елена Валерьевна, Заргарян Юрий Артурович. Модель прогнозирования транспортного потока на основе нейронных сетей для предсказания трафика на дорогах // Известия ЮФУ. Технические науки. 2021. № 6 (223). URL: https://cyberleninka.ru/article/n/model-prognozirovaniya-transportnogo-potoka-na-osnove-neyronnyh-setey-dlya-predskazaniya-trafika-na-dorogah (дата обращения: 19.08.2023).
  • Пойманова Е.Д., Татарникова Т.М., Краева Е.В. Модель управления хранением трафика данных // Приборостроение. 2021. № 5. URL: https://cyberleninka.ru/article/n/model-upravleniya-hraneniem-trafika-dannyh (дата обращения: 19.08.2023). EDN: HVJEMS
  • Хрищатый А.С. Исследование использования нейросетей для анализа данных и принятия бизнес-решений: анализ эффективности использования нейросетей для обработки больших объемов данных и предоставления ценных инсайтов для принятия решений // Инновации и инвестиции. 2023. № 7. URL: https://cyberleninka.ru/article/n/issledovanie-ispolzovaniya-neyrosetey-dlya-analiza-dannyh-i-prinyatiya-biznes-resheniy-analiz-effektivnosti-ispolzovaniya (дата обращения: 19.08.2023). EDN: XKHMFI
  • Чупакова А.О., Гудин С.В., Хабибулин Р.Ш. Разработка и обучение модели искусственной нейронной сети для создания систем поддержки принятия решений // Вестник АГТУ. Серия: Управление, вычислительная техника и информатика. 2020. № 3. URL: https://cyberleninka.ru/article/n/razrabotka-i-obuchenie-modeli-iskusstvennoy-neyronnoy-seti-dlya-sozdaniya-sistem-podderzhki-prinyatiya-resheniy (дата обращения: 19.08.2023). EDN: IUVHKB
Еще
Статья научная