Сравнительный анализ методов прогнозирования трафика мультимедийных приложений Текст научной статьи по специальности «Компьютерные и информационные науки»

Сравнительный анализ методов прогнозирования трафика мультимедийных приложений

Ключевые слова: межсетевой протокол IP, качество обслуживания QoS, нейросетевая модель, самоподобный трафик, web-сервер контакт-центра.

Описывается применение методов прогнозирования и обобщаются проблемы, возникающие в управлении мультимедийным трафиком. Прогноз позволит решать проблемы, связанные с очередями трафика, которые отрицательно влияют на качество обслуживания. Предложены пути решения этих проблем, определена целесообразность прогнозирования, определены критерии для выбора метода прогнозирования.

Покровская М.А.,

МТУСИ

При переходе от коммутации каналов к коммутации пакетов происходит изменение структуры и интенсивности трафика. В сетях с коммутацией каналов принято использовать марковские модели, с помощью которых можно вычислить вероятность потерь вызовов при выбранной емкости каналов и обеспечить требуемое качество обслуживания. В случае сетей с коммутацией пакетов, необходимо решать задачи, связанные с задержками пакетов, вероятностью их потерь и эффективным использованием полосы пропускания.

Особую сложность для обеспечения качества обслуживания вызывают приложения, в основе которых лежит самоподобный процесс. На качественном уровне самоподобие проявляется в появлении медленно-убывающей зависимости между величинами трафика в различные периоды времени, и в том, что трафик имеет выбросы, которые выглядят статистически подобными при различных масштабах времени. Использование классических пуассоновских моделей в этом случае приводит к недооценке реальной нагрузки. Как было показано в [1], самоподобные процессы характеризуются свойством долговременной памяти и, как следствие, наличием зависимости интенсивностей трафика даже между далеко стоящими друг от друга значениями. Это свойство позволяет на основе накопленной статистики трафика прогнозировать его будущее состояние, так как длительная память предполагает наличие значительной автокорреляции между сравнительно удаленными друг от друга значениями трафика.

Введение блока прогнозирования позволит повысить эффективность управления мультимедийным трафиком, даст возможность, используя прогнозирование, определять тенденции к росту/падению нагрузки и оперативно перераспределять ее путем добавления ресурса, путем динамического перераспределения полосы пропускания или при помощи перемаршрутизации потоков запросов.

Для реализации блока прогнозирования необходимо учитывать некоторую специфику, касающуюся прогнозирования интенсивности трафика. Исходя из специфики задачи, выбор метода прогнозирования основывался на следующих критериях [2-5]:

— метод прогнозирования должен показывать положительные результаты как в случае больших, так и в случае малых объемов трафика;

— скорость построения прогностической модели должна быть минимальна;

— применение модели прогнозирования должно осуществляться без участия эксперта по математическим методам анализа и моделирования;

— метод прогнозирования должен работать корректно, в том числе и с сильно зашумленными данными.

Были проанализированы следующие методы прогнозирования:

— методы аппроксимации различными кривыми;

— методы простого усреднения;

— методы скользящих средних;

— методы экспоненциального сглаживания;

— регрессивные методы;

— метод авторегрессивного скользящего среднего;

— метод нейросетевого прогнозирования.

В моделях, основанных на аппроксимации с помощью кривых, тенденции трафика экстраполируются путем расчета величин параметров некоторой функции, которая, как предполагается, характеризует рост трафика с течением времени. Числовые расчеты некоторых моделей аппроксимации могут быть выполнены с помощью методов наименьших квадратов. Для сравнения рассмотрим результаты использования наиболее популярных прогностических моделей — методов линейной аппроксимации, экспоненциальной аппроксимации и логарифмической. Результаты, изображенные на рис. 1, были получены для наиболее распространенных в практике прогнозирования кривых

линейной: у = а + Ь;

логарифмической: у = т/(а + аеЬ);

экспоненциальной: у = аеЧ где у — трафик в момент времени I; а, Ь — параметры; т — параметр, описывающий уровень насыщения.

На рис. 1 представлены данные прогноза, полученные для линейного прогнозирования. Для решения поставленной задачи использовались реальные данные с порта web-сервера. Прогнозирование велось на три шага вперед. В моделях, основанных на аппроксимации с помощью кривых, тенденции трафика экстраполируются путем расчета величин параметров некоторой функции, которая, как предполагается, характеризует рост трафика с течением времени.

В итоге, при прогнозировании на три шага имеем три одинаковых значения, сосредоточенных вокруг среднего.

Перечисленные выше метода не приспособлены! для предсказания самоподобного трафика. Появление нестационарности в исследуемых данных приводит к значительному увеличению доверительного интервала, что мгновенно уменьшает степень правдивости прогноза.

Сравнительный анализ традиционных математических методов и нейронного подхода выявил преимущества последнего в части адаптирования к всплескам нагрузки и качестве предсказания, что обусловило выбор технологии нейронных сетей для дальнейшего исследования. Применение аппарата нейронных сетей дает возможность работать с сильно зашумленными данными и малыми выборками, возможность использовать как для краткосрочного, так и долгосрочного прогноза. Прогнозирование предполагает использование ЭВМ, поэтому поиск модели, обработка данных и прогноз может быть выполнен очень быстро. Задача прогнозирования методом нейронных сетей решается с помощью таких свойств, как обобще-

• Реальные данные ■ Прогнозные данные

Рис. 1. Данные прогноза, полученные при использовании метода аппроксимации кривыми

1«0

Рис. 2. График результатов тестирования нейронной сети с прогнозированием на три шага вперед

ние и нахождение скрыпых зависимостей между накопленными данными. В случае, если такая зависимость реально существует, и будущие значения могут быть предопределены предыдущими, нейронная сеть может найти такую зависимость и выполнить прогноз с определенной степенью точности. На рис. 2 изображены результаты тестирования нейронной сети с прогнозированием на три шага вперед. По результатам прогноза видно, что нейросетевая модель эффективно адаптируется к самоподобному трафику и точно улавливает тенденции к возрастанию нагрузки, что подтверждает актуальность использования данного метода.

Данная методика прогнозирования является универсальной и одинаково хорошо подходит для прогнозирования нагрузки любых

мультимедийных приложений, в которых приходится иметь дело с самоподобными процессами: 3G сети, LTE сети, mesh-технологии, облачные сервисы, pier-to-pier технологиях. В частности, эта методика прогнозирования подходит для прогнозирования изменения нагрузки в облачном контакт-центре, то есть контакт-центре, способном предоставлять свои ресурсы по требованию, и как следствие, сталкивающимся с наивысшими нагрузками в отрасли операторских центров. А также в облачных дата-центрах, типа Amazon Services, где вопрос утилизации ресурсов стоит наиболее остро.

Второе направление — долгосрочное прогнозирование для оценки изменений пропускной способности на сетях мобильной связи, что в сочетании со средствами динамической маршрутизации ресурсов позволит эффективно управлять сетью.

Таким образом, тема применения технологий прогнозирования, является актуальной, малоизученной, и требует дальнейшего глубокого исследования.

Литература

1. Олифер ВГ, Олифер НА. Компьютерные сети. Принципы, технологии, протоколы: Учебник для вузов. 3-е изд. — СПб.: Питер. 2006. — С. 214-246.

2. Jorg Liebeherr, Dallas E. Wrege. Priority Queue Schedulers with Approximate Sorting in Output-Buffered Switches. IEEE Journal on Selected Areas in Communications, Vol. 17, №6, 1999.

3. Цы:баков Б.С. Модель телетрафика на основе самоподобного случайного процесса // Радиотехника, 1999. — №5. — С. 24-31.

4. David Y A queuing model for telephone operation staff. Operation research, 32, 1984.

5. Andrew Michel Ross. Queueing Systems with Daily Cycles and Stochastic Demand with Uncertain Parameters, PhD thesis, University of California, Berkeley, 2001.

6. Mandelbaum, A. Massey WA and Reiman M.I. Strong Approxmation for Markovan Service Networks, Queueing Systems: Theory and Approxmation (QUESTA) 30. Рр. 149-201.

7. Аксенов С.В, Новосельцев В.Б. Организация и использование нейронных сетей (методы и технологии) // Томск: Издательство научно-технической литературы, 2006. — С. 5-72.

Comparative analysis of methods for predicting traffic multimedia Pokrovskaya M.A., MTUCI

Abstract

The article describes the application of predicting methods and summarizes the problems arising in the management of multimedia traffic. The prediction will allow us to solve the problems related with bursts of traffic, which adversely affect the quality of service. The article suggests ways to solve the problems described above. Explore the viability of predictive, identified criteria for selecting a predicting method.

Keywords: Internet Protocol IP, quality of Service QoS, NN model, self-similar traffic, web-server contact center.