Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
http://elartu.tntu.edu.ua/handle/lib/33265| Назва: | Mетоди та засоби прогнозування трафіку комп'ютерних мереж на основі нейромережевих моделей |
| Інші назви: | Methods and tools of computer networks traffic forecast on neuro network models |
| Автори: | Бутинець, Віталій Юрійович |
| Приналежність: | Тернопільський національний технічний університет імені Івана Пулюя |
| Бібліографічний опис: | Бутинець В. Ю. Mетоди та засоби прогнозування трафіку комп'ютерних мереж на основі нейромережевих моделей : дипломна робота магістра за спеціальністю „123 — комп’ютерна інженерія“ / В. Ю. Бутинець. — Тернопіль : ТНТУ, 2020. — 82 с. |
| Дата публікації: | гру-2020 |
| Дата подання: | 15-гру-2020 |
| Дата внесення: | 21-гру-2020 |
| Видавництво: | Тернопільський національний технічний університет імені Івана Пулюя |
| Країна (код): | UA |
| Місце видання, проведення: | Тернопільський національний технічний університет імені Івана Пулюя |
| Науковий керівник: | Луцків, Андрій Мирославович |
| Члени комітету: | Приймак, Микола Володимирович |
| УДК: | 004.942 |
| Теми: | 123 комп’ютерна інженерія |
| Кількість сторінок: | 82 |
| Короткий огляд (реферат): | Мета дипломної роботи магістра полягає у дослідженні методів і засобів прогнозування трафіку у комп’ютерних мережах засобами машинного навчання.
У роботі запропоновано застосування моделей ARMA та АРІМА для прогнозування часових рядів при аналізі трафіку локальних комп’ютерних мереж, коли трафік передачі та приймання пакетів є однорідним і взаємодія між вузлами мережі приблизно рівномірна.
Спроектовано архітектури глибоких нейронних мереж, вхідний шар яких містить 7 нейронів, кількість проміжних шарів становить 4 рівні, вихідний шар містить один нейрон, що дало змогу практично в реальному часі забезпечити високу точність прогнозування (97%) трафіку для інтернет-сервіс провайдерів на інтервал 1 год вперед.
На основі технології контейнеризації та інструментів Docker створено контейнер з необхідною інфраструктурою для використання реалізованої моделі нейронної мережі сторонніми програмними сервісами, що дало змогу забезпечити її кросплатформність і гнучкість застосування. The purpose of the master's thesis is to study the methods and means of forecasting traffic in computer networks by machine learning. The paper proposes the use of ARMA and ARIMA models for time series prediction in the analysis of local computer network traffic, when the packet transmission and reception traffic is homogeneous and the interaction between network nodes is approximately uniform. Architectures of deep neural networks are designed, the input layer of which contains 7 neurons, the number of intermediate layers is 4 levels, the output layer contains one neuron, which allowed to provide high real-time prediction (97%) of traffic for Internet service providers at interval 1 year ahead. Based on the containerization technology and Docker tools, a container with the necessary infrastructure for the use of the implemented neural network model by third-party software services was created, which allowed to ensure its cross-platform and flexibility of application. |
| Зміст: | Вступ. 1. Аналіз сучасних досліджень у сфері у галузі прогнозування трафіку комп’ютерних мереж. 2. Побудова моделі та розробка алгоритму прогнозування трафіку у комп’ютерних мережах. 3. Реалізація запропонованих моделей та методу прогнозування трафіку у комп’ютер- них мережах. 4. Охорона праці та безпека в надзвичайних ситуаціях. Висновки |
| URI (Уніфікований ідентифікатор ресурсу): | http://elartu.tntu.edu.ua/handle/lib/33265 |
| Власник авторського права: | © Бутинець Віталій Юрійович, 2020 © Butynets Vitalii Yuriyvych, 2020 |
| Перелік літератури: | 1. Feng, H., Shu, Y.: Study on network traffic prediction techniques. In: International Conference on Wireless Communications, Networking and Mobile Computing, vol. 2. 2005. pp. 1041–1044. 2. Park, K., Willinger, W. (eds.): Self-similar Network Traffic and Performance Evaluation, pp. 94–95. Wiley, New York (2000) 3. Floyd, S., Paxson, V.: Difficulties in simulating the internet. IEEE/ACM Trans. Netw. (TON) 9(4). 2001. pp. 392–403. 3. Shang, P., Li, X., Kamae, S.: Nonlinear analysis of traffic time series at different temporal scales. Phys. Lett. A 357(4), 2006. pp. 314–318. 4. Осухівська Г., Лобур Т., БілостоцькийТ. Дослідження та моделювання інтернет-трафіку комп’ютерної мережі. Збірник тез доповідей XVI наукової конференції Тернопільського національного технічного університету імені Івана Пулюя. 2012. С. 58. 5. Білостоцький Т., Осухівська Г. Математичне моделювання передачі даних в комп’ютерних мережах. Матеріали II науково-технічної конференції „Інформаційні моделі, системи та технології “. 2012. С. 36. 6. Romeu, P., Zamora-Martínez, F., Botella-Rocamora, P., Pardo, J.: Time- series forecasting of indoor temperature using pre-trained deep neural networks. In: International Conference on Artificial Neural Networks. Springer, Heidelberg. 2013. pp. 451–458. 7. Bengio, Y., Lamblin, P., Popovici, D., Larochelle, H. Greedy layer-wise training of deep networks. Adv. Neural. Inf. Process. Syst. 19. 2007. 153 p. 8. X.-W. Chen and X. Lin. Big Data Deep Learning: Challenges and Perspectives. IEEE Access, Vol.2. 2014. pp. 514–525. 9. Shirkhorshidi A. S. Big data clustering: a review. International Conference on Computational Science and Its Applications. Springer, Cham, 2014. pp. 707-720. 10. Kurasova O. Strategies for big data clustering/ O. Kurasova et al. // 2014 IEEE 26th International Conference on Tools with Artificial Intelligence. IEEE, 2014. pp. 740- 747.75 11. Lin J., Kolcz A. Large-scale machine learning at twitter. Proc. ACM SIGMOD Scottsdale Arizona USA. 2012. pp. 793-804. 12. B. Panda at al. MapReduce and its application to massively parallel learning of decision tree ensembles // Scaling Up Machine Learning: Parallel and Distributed Approaches. 2012. P. 13. Krizhevsky A at al. ImageNet classification with deep convolutional neural networks // In Proc. Advances in Neural information Processing Systems. 2012. 25. pp. 1090–1098. 14. Hinton G. at al. Deep neural network for acoustic modeling in speech recognition. IEEE Signal Processing Magazine. 2012. No 29. pp. 82–97. 15. Li Deng and Dong Yu. Deep Learning: Methods and Applications. Foundations and Trends in Signal Processing, Vol. 7. N. 3-4. 2014. pp. 197–387. 16. Schmidhuber J. Deep learning in neural networks: An overview. Neural Networks. Vol. 61. N. 1. January 2015. pp. 85–117. 17. Fischer and C. Igel. Training Restricted Boltzmann Machines: An Introduction. Pattern Recognition. Vol. 47, N. 1. January 2014. pp. 25–39, 18. Bengio Y. Representation Learning: A Review and New Perspectives. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 35. N. 8. August 2013. pp. 1798–1828. 19. LeCun, Y., Bengio, Y., Hinton, G. Deep learning. Nature.2015. 521 (7553). pp. 436–444. 20. Golovko V. The Nature of Unsupervised Learning in Deep Neural Networks: A New Understanding and Novel Approach. Optical Memory and Neural Networks (Springer Link). 2016. Vol. 25. No 3. pp. 127–141. 21. Golovko, V.A. Deep learning: an overview and main paradigms. Optical Memory and Neural Networks (Information Optics). Vol. 26, No 1. 2017. pр. 1–17. 22. Liu, J.N., Hu, Y., You, J.J., Chan, P.W.: Deep neural network based feature representation for weather forecasting. In: International Conference on Artificial Intelligence (ICAI). 2014. p. 10.76 23. Dalto, M.: Deep neural networks for time series prediction with applications in ultra-short-term wind forecasting. In: IEEE ICIT.2015. pp. 257-268. 24. Oliveira, T.P., Barbar, J.S., Soares, A.S.: Multilayer Perceptron and Stacked Autoencoder for Internet Traffic Prediction. In: IFIP International Conference on Network and Parallel Computing. Springer, Heidelberg. 2014. pp. 61–71. 25. Huang, W., Hong, H., Li, M., Hu, W., Song, G., Xie, K.: Deep architecture for traffic flow prediction. In: International Conference on Advanced Data Mining and Applications. Springer, Heidelberg. 2013. pp. 165– 176. 26. НПАОП 0.00-7.15-18 «Вимоги щодо безпеки та захисту здоров’я працівників під час роботи з екранними пристроями». Київ. 2018. 27. Катренко Л.А., Катренко А.В. Охорона праці в галузі комп’ютинґу. Львів: Магнолія-2006. 2012. 544 с. 28. Желібо Е.Н. Безпека життєдіяльності: Навчальний посібник. Київ: «Каравела», Львів: «Новий світ - 2000». 2001. 320с. |
| Тип вмісту: | Master Thesis |
| Розташовується у зібраннях: | 123 — комп’ютерна інженерія |
Файли цього матеріалу:
| Файл | Опис | Розмір | Формат | |
|---|---|---|---|---|
| 1608219565219.pdf | 4,07 MB | Adobe PDF | Переглянути/відкрити | |
| Авторська_довідка.docx | 19,33 kB | Microsoft Word XML | Переглянути/відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.
Інструменти адміністратора