Многие современные средcтва Машинного обучения (МО) работают недостаточно эффективно, ввиду выраженной нелинейности изменения трафика и нестационарности. В этих условиях выделяется задача прогнозирования признаков приращений (направления изменения) процесса временных рядов. В статье предлагается использовать некоторые результаты теории случайных процессов для быстрой оценки предсказуемости знаков приращений с приемлемой точностью. Предлагаемая процедура представляет собой простое эвристическое правило предсказания приращения двух соседних значений случайной последовательности. Показывается связь данного подхода для временных рядов с известными подходами предсказания двоичных последовательностей. Рассматривается возможность использования опыта прогнозирования абсолютных значений трафика при прогнозировании знака изменения.
Идентификаторы и классификаторы
Динамическое прогнозирование трафика является обязательным условием для эффективного управления сетями, например, прогнозирование возможной перегрузки в узлах сети или заполнения буфера приходящими пакетами [1]. Прогнозирование помогает максимально использовать полосу пропускания, гарантируя при этом качество обслуживания (QoS), например, для видео с переменной скоростью передачи данных [2]. Прогнозирование скорости передачи пакетов по разным каналам также используют в качестве ориентира для выбора маршрута передачи пакетов.
Список литературы
1. Hanghang Tong, Chongrong Li, Jingrui. A Boosting- based framework for self-similar and non-linear Internet traffic prediction. LNCS (3174). 2004. P.931-936.
2. Chen A., Law J., Aibin M. A Survey on traffic prediction techniques using Artificial Intelligence for communication networks. Telecom 2021. 2(4). P.518-535. EDN: SRPPGM
3. Cloud B L., Dalmaz L., Vilela M. Performance analysis of network traffic predictors. J.Netw Syst Manage … 2017 (25). P.290-320.
4. Shimall T. Traffic Analysis for Network Security: Two Approaches for Going Beyond Network Flow Data. 2016. Available at: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.513.7546&rep=rep1&type=pdf.
5. Zhao A and Y. Liu. Application of nonlinear combination prediction model for network traffic. 2nd International Conference on Electronic & Mechanical Engineering and Information Technology (EMEIT-2012). Proceedings. 2012. P. 2337-2340.
6. Lysyak A.S. and B. Ryabko. Time series prediction based on data compression methods. Probl. Inf. Transm. 2016. 52(1). P. 92-99. EDN: WWGNPV
7. Sornette D. and Andersen J. Increments of uncorrelated time series can be predicted with a universal 75% probability of success.Int. J. Mod. Phys. 2000. 11(4). P. 713-720.
8. Frenkel S. Theoretical aspects of a priori On-Line assessment of data predictability in applied tasks. 5th International Symposium on Cyber Security Cryptology and Machine Learning CSCML. 2021. LNCS. 12716. P.187-195. EDN: GWCCSX
9. Viola R., Martin A., Morgade J., Masneri S. Zorrilla M., Angueira P., Montalbán J. Predictive CDN selection for video delivery based on LSTM network performance forecasts and cost-effective trade-offs. IEEE Trans. on Broadcasting. 2021. 67(1). P.145:158.
10. Ikharo A. B., Anyachebelu K. T., Blamah N. V., Abanihi V. K. Optimising Self-Similarity Network Traffic for Better Performance.International Journal of Scientific Research in Science and Technology. Print ISSN: 2395-6011.
11. Feder M., Merhav N., Gutman M. Universal prediction of individual sequences. IEEE Trans. Inf. Theor. 1992. 38(4). P.887-892.
12. Ryabko B. and.Monarev V. Using information theory approach to randomness testing. Journal of Statistical Planning and Inference. 2005. (33). P.95 - 110. EDN: LJHFHP
13. Bosq D. and Nguyen Hung. A Course in Stochastic Processes. Stochastic Models and Statistical Inference. Kluwer, Dordrecht. 1996.
14. Box G. E. P., Jenkins G. M., Reinsel G. C. Time Series Analysis: Forecasting and Control. John Wiley & Sons Inc. New York. 2008.
15. Volovich K.I., Deniso, S.A., Shabanov A.P., Malkovsky S. IAspects of the assessment of the quality of loading hybrid high-performance computing cluster // 5th International Conference on Information Technologies and High- Performance Computing, ITHPC Computing Center of Far East Branch of the Russian Academy of Science Khabarovsk; Russian Federation; 16 September 2019 through 19 September 2019 // CEUR Workshop Proceedings. 2019. (2426).P.7-11.
16. Christoffersen P. and Diebold F. Financial asset returns, direction-of-change forecasting, and volatility dynamics. Management Science. 2022. 52(8). P.1273-1287.
17. Campbell J.Y., Lo A.W., MacKinlay A.C. The Econometrics of financial markets. Princeton University Press. 1997.
18. Sharma S. Activation functions in neural networks. Retrieved 2019. From https://towardsdatascience.com/activation-functions-neural-networks-1cbd9f8d91d6.
19. Pan C.,Wang Y., Shi H., Shi J., Cai R.Network traffic prediction incorporating prior knowledge for an intelligent network. Sensors. 2022. 22. P.2674.
20. Frenkel S. Predicting the direction of changes in the values of time Series for relatively small training samples. 6th International Symposium on Cyber Security Cryptology and Machine Learning CSCML 2021CSCML, Beer-Sheva, Israel. Proceedings, Lecture Notes in Computer Science. 2022. (13301). P.118-134.
Выпуск
Другие статьи выпуска
Рассмотрены основные проблемы, связанные с оперативным выявлением очагов лесных пожаров и сопровождающих их задымлений на основе применения автономных беспилотных летательных аппаратов. Разработан метод поиска лесных пожаров по локально-оптимальному маршруту полета в условиях неопределенности. Сформулирован ряд оригинальных положений математического аппарата нечетких множеств, позволяющих сформировать для автономного беспилотного летательного аппарата эффективную информационно-аналитическую модель ситуационно-командного управления движением по строящемуся в реальном времени маршруту полета. Создана модель представления и обработки знаний, обеспечивающая на ее основе возможность автоматического синтеза логико-трансформационных правил вывода ситуационно-командного управления движением летательного аппарата. Показано, что предложенный принцип построения информационно-аналитической модели позволяет снизить сложность решения задачи выбора эффективных команд за счет существенного сокращения количества сравнений текущей проблемной ситуации на объекте с эталонными проблемными ситуациями в процессе вывода решений.
Современные роботы позволяют решать широкий спектр задач при совместной деятельности с человеком. При этом робот может получать команды от человека через различные системы управления, а также с помощью естественного языка. Выражения на естественном языке обладают значительной многозначностью (омонимией). В статье показано, какими методами обрабатываются высказывания и решается возникающая омонимия при речевом управлении роботом в естественной или виртуальной среде.
В статье изложены принципы разработанного алгоритма выявления трендов на основе анализа больших текстовых данных и представления результата в удобных для лиц принимающих решения (ЛПР) форматах, реализованных в системе интеллектуального анализа больших данных iFORA. Дается обзор существующих алгоритмов текстовой аналитики. Излагается предлагаемая и апробированная на десятках реализованных проектов математическая основа для выявления терминов, означающих тренды. Описываются подходы к кластеризации терминов на основе их векторов в пространстве Word2vec. Приводятся примеры двух ключевых визуализаций (семантические, тренд-карты), дающих представление о круге тем и трендах, характеризующих конкретную исследуемую область, как способ адаптации результатов анализа к задачам ЛПР. Обсуждаются ограничения и преимущества использования предложенного подхода для поддержки принятия решений, предлагаются направления для будущих исследований.
. В статье представлены результаты разработки и исследования методов для создания 3D-моделей растений, выращиваемых в условиях in vitro. В комплексе они решают проблемы, возникающие в процессе исследований растений в пробирке, связанные со сложностью структуры растения, возникновением искажений на границах пробирки, ее возможным запотеванием, а также влиянием человеческого фактора. Создан банк из 792 единиц 3D-моделей для растений шести видов, позволяющий проводить имитационные эксперименты для выявления причинно-следственных связей, осуществления прогнозирования и получения новых знаний. Проведена проверка разработанных методов на адекватность. Представлены примеры их использования для конкретного растения.
В статье представлена облачная платформа IACPaaS, предназначенная для создания интеллектуальных сервисов на основе онтологий, а также концептуальные идеи, лежащие в основе ее разработки. Описаны основные особенности и опыт использования поддерживаемых технологий создания интеллектуальных сервисов различных типов. На платформе реализована развитая инструментальная поддержка разработки всех компонентов интеллектуальных сервисов. Изначально она позиционировалась как среда для создания облачных систем с базами знаний, сейчас же рассматривается как инструментарий разработки программ на основе онтологий, имеющих семантическое представление.
В статье рассмотрены средства концептуального проектирования сложных технических систем. Построена квазиаксиоматическая теория, формализующая процедуры порождения смысла для естественно-языкового описания процесса создания нового технического решения. Введены семантические категории, структуры универсальных множеств, операции сравнения элементов универсума. Описаны типы соединения элементарных подсистем. Предложена формализация процедуры многоуровневого синтеза технической системы с использованием порождающей грамматики над нечеткими структурами. Приведен пример проектирования технического устройства.
Предложен метод сравнения моноинтервальных альтернатив, позволяющий попарно сопоставлять по эффективности альтернативы с произвольными распределениями рисков на интервальных оценках показателей их качества. Применение метода продемонстрировано на примерах. Даны рекомендации по практическому использованию метода.
Описываются методы решения антагонистической игры в условиях нарушения принципов «общих знаний», когда игроки демонстрируют неполные методы возможных решений и соответствующую значимость противоположной стороны. В качестве формальной игровой модели предлагается использовать нечетко-множественные представления оценок возможностей использования игроками их стратегий и соответствующих последствий. Решение задачи основано на преобразовании нечетких оценок возможных результатов решений для каждой ситуации в форму эквивалентного нечеткого количества с треугольной регулируемой аппаратурой. Разработанный метод не накладывает ограничений на вид исходных нечетных данных. Помимо выбора наилучшего решения, повышается его результат и возможности реализации.
Рассматривается задача многокритериального выбора в случае, когда предпочтения лица, принимающего решение (ЛПР), задаются нечетким бинарным отношением второго порядка. Описывается математическое обоснование алгоритма сужения множества Парето на основе нечетких квантов информации о предпочтениях ЛПР. Обсуждаются вопросы оптимизации алгоритма в важных для приложений случаях.
Рассматривается задача многокритериального выбора с числовой векторной функцией на подмножестве векторного пространства в предположении, что ЛПР в процессе выбора использует нечеткое отношение предпочтения. Считается известной информация об этом отношении в виде конечного набора нечетких квантов. Формулируется алгоритм, который за счет этой информации позволяет сузить множество Парето в задаче многокритериального выбора и, тем самым, облегчить окончательный выбор. Работа алгоритма иллюстрируется числовым примером.
Издательство
- Издательство
- ИУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 119333, Москва, Вавилова, д.44, кор.2
- Юр. адрес
- 119333, Москва, Вавилова, д.44, кор.2
- ФИО
- Соколов Игорь Анатольевич (Директор)
- E-mail адрес
- frccsc@frccsc.ru
- Контактный телефон
- +7 (499) 1356274