Компонентне прогнозування навантаження у багатокористувацьких комп’ютерних мережах

Abstract

У роботі досліджено задачу прогнозування навантаження у багатокористувацьких комп’ютерних мережах, що характеризуються наявністю трендових, сезонних і стохастичних складових трафіку. Проаналізовано сучасні статистичні, машинні та гібридні методи прогнозування та визначено їхні обмеження. Запропоновано метод компонентного прогнозування, який поєднує сингулярний спектральний аналіз (SSA) для декомпозиції часових рядів із авторегресійними та сезонно-регресійними моделями для передбачення окремих компонент. Розроблено алгоритм автоматичної класифікації компонент на трендові, сезонні та шумові за спектральними характеристиками та метод оцінювання невизначеності прогнозу. У середовищі Matlab реалізовано програмне забезпечення компонентного прогнозування, що забезпечує реконструкцію сигналу, побудову моделей, обчислення прогнозів і формування довірчих інтервалів. Проведено експериментальне дослідження, яке підтвердило підвищення точності прогнозу порівняно з базовими методами. Результати роботи можуть бути застосовані у системах моніторингу та керування мережевими ресурсами сучасних телекомунікаційних інфраструктур.

The work addresses the problem of load forecasting in multi-user computer networks characterized by the presence of trend, seasonal and stochastic components. Modern statistical, machine learning and hybrid forecasting approaches are analyzed, and their limitations are identified. A component-based forecasting method is proposed, combining Singular Spectrum Analysis (SSA) for time-series decomposition with autoregressive and seasonal regression models for predicting individual components. An algorithm for automatic classification of components into trend, seasonal and noise types based on spectral features is developed, as well as a method for estimating forecast uncertainty. A software implementation of the proposed method was created in Matlab, providing signal reconstruction, model fitting, component forecasting and confidence interval estimation. Experimental results demonstrate improved forecast accuracy compared to baseline approaches. The method can be applied in monitoring and resource management systems of modern telecommunication networks.